Python Scrapy 验证码登录处理

一、Form表单分析

以豆瓣登录页面为例分析，豆瓣登录页是：https://accounts.douban.com/login，浏览器打开之后查看源码，查找登录的form表单HTML结构。如下：

包括了form_email、form_password、captcha-solution四个表单参数，需要注意之处是name，而不是id。

二、验证码图片处理

1、分析验证码参数图片的构建如下图，获取id为captcha_image的src图片即可。可以采用人工输入，或第三方图片验证码识别API获得。

2、点击该url，图片是：

获取url之后，使用urllib.request.urlretrieve(url,filename="d:/captcha.jpg")下载图片

3、接下来通过python脚本获取该图片，保存在本地，在python命令行中采用input()方式，人工识别后输入该验证码：captcha_value = credit。

三、登录参数构建

通过预先注册的用户名、密码，获得验证码，构建表单参数如下：

data={
"form_email":"XXXXX",
"form_password":"******",
"captcha-solution":captcha_value,
}

四、Session参数存储

1、cookiejar学习：http://cuiqingcai.com/968.html

2、在request参数中指定cookiejar，如下：

首次访问目标网站：

构建登录参数后，开始登录。

五、登录后数据爬取

通过formdata认证通过后，在回调函数crawlerdata中处理爬取的网页，通过response对象进行数据解析。

六、主要代码

import scrapy
from scrapy.http import Request,FormRequest
import urllib.request
class DoubanSpider(scrapy.Spider):
name = "Douban"
allowed_domains = ["douban.com"] UserAgent = {"User-Agent:":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.2050.400 QQBrowser/9.5.10169.400"} def start_requests(self):
return [Request("https://accounts.douban.com/login",callback=self.Login,meta={"cookiejar":1})] def Login(self, response):
captcha = response.xpath("//img[@id='captcha_image']/@src").extract()
url = "https://accounts.douban.com/login"
print("正在保存验证码图片")
captchapicfile = "F:/20_Python/2000_PythonData/SelfStudy/douban/douban/captcha.png"
urllib.request.urlretrieve(captcha[0],filename = captchapicfile)
print("打开图片文件，查看验证码，输入单词......")
captcha_value = input() data = {
"form_email":"XXXX",
"form_password":"XXXX",
"captcha-solution":captcha_value,
}
print("正在登陆中……")
return [FormRequest.from_response(response,
meta={"cookiejar":response.meta["cookiejar"]},
headers = self.UserAgent,
formdata = data,
callback=self.crawlerdata,
)] def crawlerdata(self,response):
print("完成登录.........")
title = response.xpath("/html/head/title/text()").extract()
content2 = response.xpath("//meta[@name='description']/@content").extract()
print(title[0])
print(content2[0])