scrapy模拟登陆知乎--抓取热点话题

摘要：在抓取数据之前，请在浏览器中登录过知乎，这样才使得是有效的。所谓的模拟登陆，只是在中尽量的模拟在浏览器中的交互过程，使服务端无感抓包过程。若是帮你解决了问题，或者给了你启发，不要吝啬给加一星。

折腾了将近两天，中间数次想要放弃，还好硬着头皮搞下去了，在此分享出来，希望有同等需求的各位能少走一些弯路。
源码放在了github上， 欢迎前往查看。
若是帮你解决了问题，或者给了你启发，不要吝啬给加一星。

在开始之前，请确保 scrpay 正确安装，手头有一款简洁而强大的浏览器， 若是你有使用 postman 那就更好了。

scrapy genspider zhihu

使用以上命令生成知乎爬虫,代码如下:

# -*- coding: utf-8 -*-
import scrapy


class ZhihuSpider(scrapy.Spider):
    name = "zhihu"
    allowed_domains = ["www.zhihu.com"]
    start_urls = ["http://www.zhihu.com/"]

    def parse(self, response):
        pass

有一点切记，不要忘了启用 Cookies, 切记切记 ：

# Disable cookies (enabled by default)
COOKIES_ENABLED = True

过程如下：

进入登录页，获取 Header 和 Cookie 信息，
完善的 Header 信息能尽量伪装爬虫， 有效 Cookie 信息能迷惑知乎服务端，使其认为当前登录非首次登录，若无有效 Cookie 会遭遇验证码。 在抓取数据之前，请在浏览器中登录过知乎，这样才使得 Cookie 是有效的。

Header 和 Cookie 整理如下:

headers = {
    "Host":
    "www.zhihu.com",
    "Connection":
    "keep-alive",
    "Origin":
    "https://www.zhihu.com",
    "User-Agent":
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.90 Safari/537.36",
    "Content-Type":
    "application/x-www-form-urlencoded; charset=UTF-8",
    "Accept":
    "*/*",
    "X-Requested-With":
    "XMLHttpRequest",
    "DNT":
    1,
    "Referer":
    "https://www.zhihu.com/",
    "Accept-Encoding":
    "gzip, deflate, br",
    "Accept-Language":
    "zh-CN,zh;q=0.8,en;q=0.6",
}

cookies = {
    "d_c0":
    ""AHCAtu1iqAmPTped76X1ZdN0X_qAwhjdLUU=|1458699045"",
    "__utma":
    "51854390.1407411155.1458699046.1458699046.1458699046.1",
    "__utmv":
    "51854390.000--|3=entry_date=20160322=1",
    "_zap":
    "850897bb-cba4-4d0b-8653-fd65e7578ac2",
    "q_c1":
    "b7918ff9a5514d2981c30050c8c732e1|1502937247000|1491446589000",
    "aliyungf_tc":
    "AQAAAHVgviiNyQsAOhSntJ5J/coWYtad",
    "_xsrf":
    "b12fdca8-cb35-407a-bc4c-6b05feff37cb",
    "l_cap_id":
    ""MDk0MzRjYjM4NjAwNDU0MzhlYWNlODQ3MGQzZWM0YWU=|1503382513|9af99534aa22d5db92c7f58b45f3f3c772675fed"",
    "r_cap_id":
    ""M2RlNDZjN2RkNTBmNGFmNDk2ZjY4NjIzY2FmNTE4NDg=|1503382513|13370a99ee367273b71d877de17f05b2986ce0ef"",
    "cap_id":
    ""NmZjODUxZjQ0NzgxNGEzNmJiOTJhOTlkMTVjNWIxMDQ=|1503382513|dba2e9c6af7f950547474f827ef440d7a2950163"",
}

在浏览器中，模拟登陆，抓取登陆请求信息。

从图中可以看到 _xsrf 参数, 这个参数与登陆验证信息无关，但很明显是由登陆页面携带的信息。 Google了下 xsrf 的含义， 用于防范 跨站请求伪造 。

整理以上，代码如下：

loginUrl = "https://www.zhihu.com/#signin"
siginUrl = "https://www.zhihu.com/login/email"


def start_requests(self):
    return [
        scrapy.http.FormRequest(
            self.loginUrl,
            headers=self.headers,
            cookies=self.cookies,
            meta={"cookiejar": 1},
            callback=self.post_login)
    ]


def post_login(self, response):
    xsrf = response.css(
        "div.view-signin > form > input[name=_xsrf]::attr(value)"
    ).extract_first()
    self.headers["X-Xsrftoken"] = xsrf

    return [
        scrapy.http.FormRequest(
            self.siginUrl,
            method="POST",
            headers=self.headers,
            meta={"cookiejar": response.meta["cookiejar"]},
            formdata={
                "_xsrf": xsrf,
                "captcha_type": "cn",
                "email": "xxxxxx@163.com",
                "password": "xxxxxx",
            },
            callback=self.after_login)
    ]

经过上述步骤登陆成功了，有点小激动，有没有！ 但苦难到此还远没有结束，这个时候尝试抓取最近热门话题，直接返回 code:401 ,未授权的访问。 授权信息未设置，导致了此类错误，莫非遗漏了什么，看来只能在浏览器中追踪请求参数来侦测问题。 在浏览器的请求中，包含了Bearer Token, 而我在scrapy中模拟的请求中未包含此信息， 所以我被服务器认定为未授权的。 通过观察发现 Bearer Token 的关键部分，就是 Cookies 中的 z_c0 包含的信息。
z_c0 包含的信息，是在登陆完成时种下的，所以从登陆完成返回的登陆信息里，获取要设置的 Cookie 信息， 然后拼接出 Bearer Token,最后设置到 Header 中。

代码整理如下:

def after_login(self, response):
    jdict = json.loads(response.body)
    print("after_login", jdict)
    if jdict["r"] == 0:
        z_c0 = response.headers.getlist("Set-Cookie")[2].split(";")[0].split(
            "=")[1]
        self.headers["authorization"] = "Bearer " + z_c0
        return scrapy.http.FormRequest(
            url=self.feedUrl,
            method="GET",
            meta={"cookiejar": response.meta["cookiejar"]},
            headers=self.headers,
            formdata={
                "action_feed": "True",
                "limit": "10",
                "action": "down",
                "after_id": str(self.curFeedId),
                "desktop": "true"
            },
            callback=self.parse)
    else:
        print(jdict["error"])

上述步骤后，数据获取就水到渠成了，为了检测成功与否， 把返回信息写到文件中,而且只获取前五十个,代码如下：

feedUrl = "https://www.zhihu.com/api/v3/feed/topstory"
nextFeedUrl = ""
curFeedId = 0


def parse(self, response):
    with open("zhihu.json", "a") as fd:
        fd.write(response.body)
    jdict = json.loads(response.body)
    jdatas = jdict["data"]
    for entry in jdatas:
        entry["pid"] = entry["id"]
        yield entry

    jpaging = jdict["paging"]
    self.curFeedId += len(jdatas)
    if jpaging["is_end"] == False and self.curFeedId < 50:
        self.nextFeedUrl = jpaging["next"]
        yield self.next_request(response)


def next_request(self, response):
    return scrapy.http.FormRequest(
        url=self.nextFeedUrl,
        method="GET",
        meta={"cookiejar": response.meta["cookiejar"]},
        headers=self.headers,
        callback=self.parse)

最终获取的数据如下图所示：

知乎的数据，只有登录完成之后，才可有效的获取，所以模拟登陆是无法忽略不管的。 所谓的模拟登陆，只是在scrapy中尽量的模拟在浏览器中的交互过程，使服务端无感抓包过程。 请求中附加有效的 Cookies 和 Headers 头信息，可有效的迷惑服务端， 同时在交互的过程中，获取后续请求必要信息和认证信息，使得整个流程能不断先前。

若是你遇到什么问题，尽量提出来，欢迎一起来讨论解决。
源码放在了github上， 欢迎前往查看。
若是帮你解决了问题，或者给了你启发，不要吝啬给加一星。