python爬虫之自动登录与验证码识别


						在用爬虫爬取网站数据时，有些站点的一些关键数据的获取需要使用账号登录，这里可以使用requests发送登录请求，并用Session对象来自动处理相关Cookie。

另外在登录时，有些网站有时会要求输入验证码，比较简单的验证码可以直接用pytesser来识别，复杂的验证码可以依据相应的特征自己采集数据训练分类器。

以CSDN网站的登录为例，这里用Python的requests库与pytesser库写了一个登录函数。如果需要输入验证码，函数会首先下载验证码到本地，然后用pytesser识别验证码后登录，对于CSDN登录验证码，pytesser的识别率很高。

其中的pytesser的下载地址为: pytesser下载

具体代码如下：





#coding:utf-8

import sys

import time

import urllib

import shutil

import pytesser

import requests



from lxml import etree



config = {'gid': 1}



def parse(s, html, idx):

 result = {}



 tree = etree.HTML(html)

 try:

  result['lt'] = tree.xpath('//input[@name="lt"]/@value')[0]

  result['execution'] = tree.xpath('//input[@name="execution"]/@value')[0]

  result['path'] = tree.xpath('//form[@id="fm1"]/@action')[0]

 except IndexError, e:

  return None



 valimg = None

 valimgs = tree.xpath('//img[@id="yanzheng"]/@src')

 if len(valimgs) > 0:

  valimg = valimgs[0]



 validateCode = None

 if valimg:

  fname = 'img/' + str(idx) + '_' + str(config['gid']) + '.jpg'

  config['gid'] = config['gid'] + 1

  ri = s.get("http://passport.csdn.net" + valimg)

  with open(fname, 'wb') as f:

   for chk in ri:

    f.write(chk)

   f.close()

  validateCode = pytesser.image_file_to_string(fname)

  validateCode = validateCode.strip()

  validateCode = validateCode.replace(' ', '')

  validateCode = validateCode.replace('\n', '')

  result['validateCode'] = validateCode



 return result



def login(usr, pwd, idx):

 s = requests.Session()



 r = s.get('http://passport.csdn.net/account/login',

 headers={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:41.0) Gecko/20100101 Firefox/41.0', 'Host': 'passport.csdn.net', })



 while True:

  res = parse(s, r.text, idx)

  if res == None:

   return False

  url = 'http://passport.csdn.net' + res['path']

  form = {'username': usr, 'password':pwd, '_eventId':'submit', 'execution':res['execution'], 'lt':res['lt'],}

  if res.has_key('validateCode'):

   form['validateCode'] = res['validateCode']

  s.headers.update({

   'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:41.0) Gecko/20100101 Firefox/41.0',

   'Accept-Language': 'zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4',

   'Content-Type': 'application/x-www-form-urlencoded',

   'Host': 'passport.csdn.net',

   'Origin': 'http://passport.csdn.net',

   'Referer': 'http://passport.csdn.net/account/login',

   'Upgrade-Insecure-Requests': 1,

   })

  r = s.post(url, data=form)



  tree = etree.HTML(r.text)

  err_strs = tree.xpath('//span[@id="error-message"]/text()')

  if len(err_strs) == 0:

   return True

  err_str = err_strs[0]

  print err_str

  err = err_str.encode('utf8')



  validate_code_err = '验证码错误'

  usr_pass_err = '帐户名或登录密码不正确，请重新输入'

  try_later_err = '登录失败连续超过5次，请10分钟后再试'



  if err[:5] == validate_code_err[:5]:

   pass

  elif err[:5] == usr_pass_err[:5]:

   return False

  elif err[:5] == try_later_err[:5]:

   return False

  else:

   return True



if __name__ == '__main__':

 main(sys.argv[1], sys.argv[2], 0)





以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持中文源码网。