Scrapy Selenium实战：Selenium登录知乎保存cookies后访问需要登录页面

ゝ一纸荒年。 2022-04-08 08:22 1032阅读 0赞

### Scrapy Selenium实战：Selenium登录知乎保存cookies后访问需要登录页面 ###

*  安装
 *  chromedriver
 *  新建爬虫
 *  zhihu.py
 *   *  获取浏览器真实的User-Agent
 *  执行验证

selenium 是一套完整的web应用程序测试系统，包含了测试的录制（selenium IDE）,编写及运行（Selenium Remote Control）和测试的并行处理（Selenium Grid）。Selenium的核心Selenium Core基于JsUnit，完全由JavaScript编写，因此可以用于任何支持JavaScript的浏览器上。

selenium可以模拟真实浏览器，自动化测试工具，支持多种浏览器，爬虫中主要用来解决JavaScript渲染问题。

# 安装 #

#进入虚拟目录
    cd /data/code/python/venv/venv_Scrapy/tutorial
    #升级安装
    ../bin/pip3 install -U selenium

# chromedriver #

我们这里用 Chrome 浏览器来做自动化，我自己本身Chrome版本是  
![chorme版本][chorme]

所以我们对应到 [http://chromedriver.storage.googleapis.com/index.html][http_chromedriver.storage.googleapis.com_index.html] 网址下载对应版本的chromedriver  
![chromedriver][]

# 新建爬虫 #

#进入虚拟目录
    cd /data/code/python/venv/venv_Scrapy/tutorial
    #新建爬虫
    ../bin/python3 ../bin/scrapy genspider -t basic zhihu www.zhihu.com

这里我们可以把下载下来的chromedriver放在/data/code/python/venv/venv\_Scrapy/tutorial目录下

# [zhihu.py][] #

# -*- coding: utf-8 -*-
    import scrapy
    import json
    from selenium import webdriver
    import time
    from pathlib import Path
    
    
    class ZhihuSpider(scrapy.Spider):
        name = 'zhihu'
        allowed_domains = ['www.zhihu.com']
        start_urls = ['http://www.zhihu.com/']
    
        # 模拟请求的headers，非常重要，不设置也可能知乎不让你访问请求
        headers = { 
            "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36",
            "HOST": "www.zhihu.com"
        }
    
        # scrapy请求的开始时start_request
        def start_requests(self):
            zhihu_findUrl = 'https://www.zhihu.com/notifications'
            if not Path('zhihuCookies.json').exists():
                __class__.loginZhihu()  # 先执行login，保存cookies之后便可以免登录操作
    
            # 毕竟每次执行都要登录还是挺麻烦的，我们要充分利用cookies的作用
            # 从文件中获取保存的cookies
            with open('zhihuCookies.json', 'r', encoding='utf-8') as f:
                listcookies = json.loads(f.read())  # 获取cookies
    
            # 把获取的cookies处理成dict类型
            cookies_dict = dict()
            for cookie in listcookies:
                # 在保存成dict时，我们其实只要cookies中的name和value，而domain等其他都可以不要
                cookies_dict[cookie['name']] = cookie['value']
    
            # Scrapy发起其他页面请求时，带上cookies=cookies_dict即可，同时记得带上header值，
            yield scrapy.Request(url=zhihu_findUrl, cookies=cookies_dict, callback=self.parse, headers=__class__.headers)
    
    
        #使用selenium登录知乎并获取登录后的cookies，后续需要登录的操作都可以利用cookies
        @staticmethod
        def loginZhihu():
            # 登录网址
            loginurl = 'https://www.zhihu.com/signin'
            # 加载webdriver驱动，用于获取登录页面标签属性
            driver = webdriver.Chrome('/data/code/python/venv/venv_Scrapy/tutorial/chromedriver')
            #加载页面
            driver.get(loginurl)
    
            time.sleep(3)  # 执行休眠3s等待浏览器的加载
    
            # 方式1 通过填充用户名和密码
            # driver.find_element_by_name('username').clear() # 获取用户名框
            # driver.find_element_by_name('username').send_keys(u'username') # 填充用户名
            # driver.find_element_by_name('password').clear() # 获取密码框
            # driver.find_element_by_name('password').send_keys(u'password') # 填充密码
            # input("检查网页是否有验证码要输入，有就在网页输入验证码，输入完后，控制台回车；如果无验证码，则直接回车")
            # # 点击登录按钮,有时候知乎会在输入密码后弹出验证码，这一步之后人工校验
            # driver.find_element_by_css_selector("button[class='Button SignFlow-submitButton Button--primary Button--blue']").click()
            #
            # input_no = input("检查网页是否有验证码要输入，有就在网页输入验证码，输入完后，控制台输入1回车；如果无验证码，则直接回车")
            # if int(input_no) == 1:
            # # 点击登录按钮
            # driver.find_element_by_css_selector(
            # "button[class='Button SignFlow-submitButton Button--primary Button--blue']").click()
    
    
            # 方式2 直接通过扫描二维码，如果不是要求全自动化，建议用这个，非常直接，毕竟我们这一步只是想保存登录后的cookies，至于用何种方式登录，可以不必过于计较
            driver.find_element_by_css_selector(
                "button[class='Button Button--plain']").click()
            input("请扫描页面二维码，并确认登录后，点击回车：")  # 点击二维码手机扫描登录
    
            time.sleep(3)  # 同样休眠3s等待登录完成
    
            input("检查网页是否有完成登录跳转，如果完成则直接回车")
    
            # 通过上述的方式实现登录后，其实我们的cookies在浏览器中已经有了，我们要做的就是获取
            cookies = driver.get_cookies()  # Selenium为我们提供了get_cookies来获取登录cookies
            driver.close()  # 获取cookies便可以关闭浏览器
            # 然后的关键就是保存cookies，之后请求从文件中读取cookies就可以省去每次都要登录一次的
            # 当然可以把cookies返回回去，但是之后的每次请求都要先执行一次login没有发挥cookies的作用
            jsonCookies = json.dumps(cookies)  # 通过json将cookies写入文件
            with open('zhihuCookies.json', 'w') as f:
                f.write(jsonCookies)
            print(cookies)
    
    
        def parse(self, response):
    
            #这里打印出https://www.zhihu.com/notifications页面中登录者的昵称验证带上cookies登录完成
            print(response.xpath('//div[@class="top-nav-profile"]/a/span[@class="name"]/text()').extract_first())
    
            print("*" * 40)
            #print("response text: %s" % response.text)
            print("response headers: %s" % response.headers)
            print("response meta: %s" % response.meta)
            print("request headers: %s" % response.request.headers)
            print("request cookies: %s" % response.request.cookies)
            print("request meta: %s" % response.request.meta)

代码注释写的很清楚，就不细说了，这里需要注意，建议把User-Agent 设置为真实的User-Agent。

## 获取浏览器真实的User-Agent ##

访问 [https://www.zhihu.com/signin][https_www.zhihu.com_signin] 查看任意请求的headers  
![user-agent][]

# 执行验证 #

我们这里的爬虫很简单，只需要打印出 [https://www.zhihu.com/notifications][https_www.zhihu.com_notifications] 页面中登录者的昵称  
![notifications][]

[GitHub源代码][GitHub]

[chorme]: /images/20220407/1405b3d46ce44df7ba8feee56fb6c723.png
[http_chromedriver.storage.googleapis.com_index.html]: http://chromedriver.storage.googleapis.com/index.html
[chromedriver]: /images/20220407/e9fd8ce06c3b4816974bec9d1c48bf04.png
[zhihu.py]: http://zhihu.py
[https_www.zhihu.com_signin]: https://www.zhihu.com/signin
[user-agent]: /images/20220407/f4d6fbad2ebf4dcbac5a1924ff9ca3c6.png
[https_www.zhihu.com_notifications]: https://www.zhihu.com/notifications
[notifications]: /images/20220407/b2f8f60ad8f14f449eceda4ed98e49ae.png
[GitHub]: https://github.com/Jaysong2012/tutorial