Python爬虫模拟登录带验证码网站-python 验证码图片模拟登录

爬取网站时经常会遇到需要登录的问题，这是就需要用到模拟登录的相关方法。python提供了强大的url库，想做到这个并不难。这里以登录学校教务系统为例，做一个简单的例子。

首先得明白cookie的作用，cookie是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据。因此我们需要用Cookielib模块来保持网站的cookie。

可以发现这个验证码是动态更新的每次打开都不一样，一般这种验证码和cookie是同步的。其次想识别验证码肯定是吃力不讨好的事，因此我们的思路是首先访问验证码页面，保存验证码、获取cookie用于登录，然后再直接向登录地址post数据。

首先通过抓包工具或者火狐或者谷歌浏览器分析登录页面需要post的request和header信息。以谷歌浏览器为例。

其中需要提交的表单数据中txtUserName和TextBox2分别用户名和密码。

现在直接到关键部分

上代码！！

import urllib2  
import cookielib  
import urllib 
import re  
import sys  
'''模拟登录'''  
reload(sys)  
sys.setdefaultencoding("utf-8")  
# 防止中文报错  
CaptchaUrl = "http://202.115.80.153/CheckCode.aspx"  
PostUrl = "http://202.115.80.153/default2.aspx"  
# 验证码地址和post地址  
cookie = cookielib.CookieJar()  
handler = urllib2.HTTPCookieProcessor(cookie)  
opener = urllib2.build_opener(handler)  
# 将cookies绑定到一个opener cookie由cookielib自动管理  
username = 'username'  
password = 'password123'  
# 用户名和密码  
picture = opener.open(CaptchaUrl).read()  
# 用openr访问验证码地址,获取cookie  
local = open('e:/image.jpg', 'wb')  
local.write(picture)  
local.close()  
# 保存验证码到本地  
SecretCode = raw_input('输入验证码：') 
# 打开保存的验证码图片 输入  
postData = {  
'__VIEWSTATE': 'dDwyODE2NTM0OTg7Oz6pH0TWZk5t0lupp/tlA1L+rmL83g==',  
'txtUserName': username,  
'TextBox2': password,  
'txtSecretCode': SecretCode,  
'RadioButtonList1': '学生',  
'Button1': '',  
'lbLanguage': '',  
'hidPdrs': '',  
'hidsc': '',  
}  
# 根据抓包信息 构造表单  
headers = {  
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',  
'Accept-Language': 'zh-CN,zh;q=0.8',  
'Connection': 'keep-alive',  
'Content-Type': 'application/x-www-form-urlencoded',  
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36',  
}  
# 根据抓包信息 构造headers  
data = urllib.urlencode(postData)  
# 生成post数据 ?key1=value1&key2=value2的形式  
request = urllib2.Request(PostUrl, data, headers)  
# 构造request请求  
try:  
response = opener.open(request)  
result = response.read().decode('gb2312')  
# 由于该网页是gb2312的编码，所以需要解码  
print result  
# 打印登录后的页面  
except urllib2.HTTPError, e:  
print e.code  
# 利用之前存有cookie的opener登录页面

登录成功后便可以利用该openr访问其他需要登录才能访问的页面。