最近我必須執行壹項從壹個需要登錄的網站上爬取壹些網頁的操作。它沒有我想象中那麽簡單，因此我決定為它寫壹個輔助教程。
在本教程中，我們將從我們的bitbucket賬戶中爬取壹個項目列表。
教程中的代碼可以從我的?Github?中找到。
我們將會按照以下步驟進行：
提取登錄需要的詳細信息
執行站點登錄
爬取所需要的數據
在本教程中，我使用了以下包（可以在?requirements.txt?中找到）：
Python
1
2
requests
lxml
步驟壹：研究該網站
打開登錄頁面
進入以下頁面 ?“bitbucket.org/account/signin”。妳會看到如下圖所示的頁面（執行註銷，以防妳已經登錄）
仔細研究那些我們需要提取的詳細信息，以供登錄之用
在這壹部分，我們會創建壹個字典來保存執行登錄的詳細信息：
1. 右擊 “Username or email” 字段，選擇“查看元素”。我們將使用 “name” 屬性為 “username” 的輸入框的值。“username”將會是 key 值，我們的用戶名/電子郵箱就是對應的 value 值（在其他的網站上這些 key 值可能是 “email”，“ user_name”，“ login”，等等）。
2. 右擊 “Password” 字段，選擇“查看元素”。在腳本中我們需要使用 “name” 屬性為 “password”?的輸入框的值。“password” 將是字典的 key? 值，我們輸入的密碼將是對應的 value 值（在其他網站key值可能是 “userpassword”，“loginpassword”，“pwd”，等等）。
3. 在源代碼頁面中，查找壹個名為 “csrfmiddlewaretoken” 的隱藏輸入標簽。“csrfmiddlewaretoken” 將是 key 值，而對應的 value 值將是這個隱藏的輸入值（在其他網站上這個 value 值可能是壹個名為 “csrftoken”，“?authenticationtoken”?的隱藏輸入值）。列如：“Vy00PE3Ra6aISwKBrPn72SFml00IcUV8”。
最後我們將會得到壹個類似這樣的字典：
Python
1
2
3
4
5
payload = {
"username": "<USER NAME>",
"password": "<PASSWORD>",
"csrfmiddlewaretoken": "<CSRF_TOKEN>"
}
請記住，這是這個網站的壹個具體案例。雖然這個登錄表單很簡單，但其他網站可能需要我們檢查瀏覽器的請求日誌，並找到登錄步驟中應該使用的相關的 key 值和 value 值。
步驟2：執行登錄網站
對於這個腳本，我們只需要導入如下內容：
Python
1
2
import requests
from lxml import html
首先，我們要創建?session?對象。這個對象會允許我們保存所有的登錄會話請求。
Python
1
session_requests = requests.session()
第二，我們要從該網頁上提取在登錄時所使用的 csrf 標記。在這個例子中，我們使用的是 lxml 和 xpath 來提取，我們也可以使用正則表達式或者其他的壹些方法來提取這些數據。
Python
1
2
3
4
5
login_url = "n/?next=/"
result = session_requests.get(login_url)
tree = html.fromstring(result.text)
authenticity_token = list(set(tree.xpath("//input[@name='csrfmiddlewaretoken']/@value")))[0]
**更多關於xpath 和lxml的信息可以在這裏找到。
接下來，我們要執行登錄階段。在這壹階段，我們發送壹個 POST 請求給登錄的 url。我們使用前面步驟中創建的 payload 作為 data 。也可以為該請求使用壹個標題並在該標題中給這個相同的 url?添加壹個參照鍵。
Python
1
2
3
4
5
result = session_requests.post(
login_url,
data = payload,
headers = dict(referer=login_url)
)
步驟三：爬取內容
現在，我們已經登錄成功了，我們將從?bitbucket dashboard?頁面上執行真正的爬取操作。
Python
1
2
3
4
5
url = '/overview'
result = session_requests.get(
url,
headers = dict(referer = url)
)
為了測試以上內容，我們從 bitbucket dashboard 頁面上爬取了項目列表。我們將再次使用 xpath 來查找目標元素，清除新行中的文本和空格並打印出結果。如果壹切都運行 OK，輸出結果應該是妳 bitbucket 賬戶中的 buckets / project 列表。
Python
1
2
3
4
5
tree = html.fromstring(result.content)
bucket_elems = tree.findall(".//span[@class='repo-name']/")
bucket_names = [bucket.text_content.replace("n", "").strip() for bucket in bucket_elems]
print bucket_names
妳也可以通過檢查從每個請求返回的狀態代碼來驗證這些請求結果。它不會總是能讓妳知道登錄階段是否是成功的，但是可以用來作為壹個驗證指標。
例如：
Python
1
2
result.ok # 會告訴我們最後壹次請求是否成功
result.status_code # 會返回給我們最後壹次請求的狀態