python网络爬虫学习(五) 模拟登陆北邮信息门户并爬取信息

之前利用爬虫爬取过百度贴吧的部分页面，但是百度贴吧并不需要登录。当我们发现一些网站上有具有实用价值的信息时，又往往需要登录后才能查看这些信息。那么如何通过python模拟登陆这些网站呢？我们以北邮信息门户为例。

一.工具

1.requests库
2.firefox浏览器和Temper Data

“工欲善其事，必先利其器”，之前我们介绍过urllib和urllib2这两个python自带的库。而requests库是一个第三方库，相比于前两个库则显得更为好用。
requests库提供了get，post，delete等方法，我们待会儿将用它来向网站发出请求

Temper Data是一个firefox插件，它能够拦截表单，以便我们查看表单内容。

二.爬取前的准备工作

首先打开信息门户网站”http://my.bupt.edu.cn/index.portal“,一个登录界面挡住了我们

我们使用chrome浏览器的开发者模式，按下F12即可进入。 先输入一个错误的密码，点击登录按钮向网站发送一个表单。之后我们在查看这个表单都具有哪些内容。

安全起见，我没有输入真实的密码，擦掉了cookie等敏感信息。我们看到表单中具有这样几个内容:

1.username
2.password
3.lt（待会儿介绍这是什么）
4.execution
5._eventId:
6.rmShown

通过分析，我们知道要想登录，就要构造含有上面这些内容的表单，username，password由用户提供，经过多次的抓取表单分析后，发现execution，_eventId，rmShown都是常量。
那么唯一没有解决的问题就是lt，lt在每次的发送的表单中都不相同，而且看不出什么规律，lt到底是什么呢？

回想起前些天模拟登陆CSDN时也遇到了一个名为lt的项目,会不会是类似的东西呢。于是我打开了CSDN登录界面的源代码，如图

通过搜索lt，我发现了这个数据的具体含义，lt可以理解成每个需要登录的用户都有一个流水号。只有有了webflow发放的有效的流水号，用户才可以说明是已经进入了webflow流程。否则，没有流水号的情况下，webflow会认为用户还没有进入webflow流程，从而会重新进入一次webflow流程，从而会重新出现登录界面。

那么如何获得这个数据呢？很简单，只需要get方式请求到登录界面的内容，用Beautifulsoup解析所有的input标签，将所有input标签 的name和value两个量写成一个字典即可，需要用lt时，从字典中提取即可。

还有一个问题需要解决，在我们请求页面以获取lt值后，如果再用post发送我们构造好的表单，在这个过程中，相当于刷新了一下页面，换句换说，我们先前获得的lt值已经不再是现在的lt值了，所以这个时候我们就要用requests的session方法来保持cookie不变了，session方法可以让同一个实例发出的所有请求保持相同的cookie。

说了这么多，下面请看代码:

#-*-coding=utf-8-*-#encode=utf-8import requestsimport cookielibfrom bs4 import BeautifulSoup as bsdef getLt(str):    lt=bs(str,'html.parser')    dic={}    for inp in lt.form.find_all('input'):        if(inp.get('name'))!=None:            dic[inp.get('name')]=inp.get('value')    return dicheader={    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:47.0) Gecko/20100101 Firefox/47.0'}#setting cookies=requests.Session()s.cookies=cookielib.CookieJar()r=s.get('https://auth.bupt.edu.cn/authserver/login?service=http%3A%2F%2Fmy.bupt.edu.cn%2Findex.portal',headers=header)dic=getLt(r.text)postdata={    'username':'',#此处为你的学号    'password':'',#你的密码    'lt':dic['lt'],    'execution':'e1s1',    '_eventId':'submit',    'rmShown':'1'}response=s.post('https://auth.bupt.edu.cn/authserver/login?service=http%3A%2F%2Fmy.bupt.edu.cn%2Findex.portal',data=postdata,headers=header)response2=s.get('http://my.bupt.edu.cn/index.portal',headers=header)soup=bs(response2.text,'html.parser')info=soup.find_all('div',class_='timeinfobox')Date=soup.find_all('div',class_='timedateup')Time=soup.find_all('div',class_='timedatedown')Title=soup.find_all('a',class_='timetitle')Tea=soup.find_all('spam')date=[]time=[]title=[]tea=[]for dt in Date:    date.append(dt.string)for ti in Time:    time.append(ti.string)for tit in Title:    title.append(tit.string)for teacher in Tea:    print teacher.stringfor i in range(0,len(date)):    print date[i]    print time[i]    print title[i]

不明白的地方见注释，我在登陆成功之后用Beautifulsoup获取了关于讲座信息的一些内容，程序运行结果如图:

至此，我们就介绍完了爬取信息门户的整个过程，我们当然可以从页面上获取别的数据，不过我更关心各种各样的讲座，所以写了这样一个爬虫，免去了每次要登陆信息门户的麻烦。

2016-06-10
于朝阳