在scrapy 使用selenium模拟登录获取cookie-编程知识

前言

最近有一点点爬虫需求，想总结一下scrapy框架的一些基本使用方法，加深印象，自己一直习惯使用一些脚本文件运行爬虫，面对数据量非常大，稳定性要求比较高的，效率需求比较高的情况下还是用scrapy较为合适，scrapy是一个异步的框架，所有的请求都是阻塞的，虽然在单文件脚本中也可以实现，但是代码就非常的难看，难以维护，过了几天就会忘记复杂的流程，调试起来就非常的困难，scrapy我自己用得也不多，但是觉得它非常地优秀，有成熟的中间件支持，方便的下载器，稳定性效率非常地高，但是其中的运行流程也稍微有些复杂，难以理解，异步框架处理BUG调试非常的麻烦。

初始化scrapy

首选需要安装scrapy 和selenium框架。

pip install scrapypip install selenium

　　初始化框架

scrapy startproject testSpider

依据参考接着进入文件夹，新建爬虫文件。

cd testSpiderscrapy genspider myspider example.com

看看目录

selenium基本使用

selenium前言

今天只讲selenium的基本使用，scrapy框架的流程后面再总结，为什么要在在scrapy中使用selenium，因为有些目标站点的接口是通过分析非常难以复现的，通常会有一些混淆参数导致出现请求遇到拦截的情况，也就是碰到反爬虫措施了，需要分析Javascript代码，分析其中参数的意思，这种过程非常的复杂，工程量非常大，这也是目前高级爬虫的必备知识，需要一些Javascript逆向知识，例如行业中有非常著名的瑞数信息做了翻盘是属于顶尖的存在，专门在一些金融，政府网站上使用这种Javascript代码混淆技术，自己也是稍微了解了一点点。

通过selenium可以绕过一些关键的有反扒的接口，得到一些重要的信息。通常的情况就是使用selenium模拟有反爬措施的登录接口从而得到登录后cookie，然后登陆过后的接口就没有反爬措施。

下载驱动

使用selenium就需要配套的浏览器驱动。我配套的浏览器就是chrome，我自己的浏览器版本。

下载的版本：

然后我把浏览器驱动放在浏览器的目录,然后配置了环境变量：

关键代码

testSpider/spider/myspider.py就是关键代码，目前的代码如下：

　　import scrapyclass MyspiderSpider(scrapy.Spider):name = 'myspider'allowed_domains = ['example.com']start_urls = ['http://example.com/']def parse(self, response):pass

根据文章标题的需求我只需要使用在以上的文件进行编码就行了，加入要使用到其他的接口爬取方法就要去更改testSpider/setting.py里面的设置，如果感兴趣可以参考我之前的文章：使用Scrapy框架爬取V2ex看看程序员中秋节都在讨论啥

直接亮代码，拿七牛云的登录试了一下，因为感觉他比较简单，步骤较少，适合做教程分享，详细情况在注释中讲解：

　　import scrapyfrom selenium.webdriver.chrome.options import Optionsfrom selenium import webdriverfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.support.wait import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as ECclass MyspiderSpider(scrapy.Spider):name = 'myspider'allowed_domains = ['portal.qiniu.com'] # 注意设置好允许爬取的网址列表，这里踩了坑，试了半天发现框架默认的解析器一直没有调用，要写网址的整合域名而不是单单一级域名。start_urls = ['http://example.com/']user_name = '********@**.com'password = '********'chorme_options = Options()chorme_options.add_argument("--disable-gpu")driver = webdriver.Chrome(options=chorme_options)  # 初始化Chrome驱动driver.implicitly_wait(20)headers = {'authority': 'portal.qiniu.com','accept': '*/*','accept-language': 'zh-CN,zh;q=0.9','cache-control': 'no-cache','referer': 'https://portal.qiniu.com/certificate/ssl','sec-ch-ua': '".Not/A)Brand";v="99", "Google Chrome";v="103", "Chromium";v="103"','sec-ch-ua-mobile': '?0','sec-ch-ua-platform': '"Windows"','sec-fetch-dest': 'empty','sec-fetch-mode': 'cors','sec-fetch-site': 'same-origin','user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.5060.134 Safari/537.36',}  # headercookie = {}def __del__(self):self.driver.close()def parse(self, response, *args, **kwargs):print('默认的解析器方法，接口请求内容：')print(response.json())def start_requests(self):self.driver.get(url='https://sso.qiniu.com/')  # 直接访问登录页user_input = self.driver.find_element(By.ID, 'email')  # 获取用户名输入框user_input.send_keys(self.user_name)  # 输入用户名password_input = self.driver.find_element(By.ID, 'password')  # 获取密码框password_input.send_keys(self.password)  # 输入密码self.driver.find_element(By.ID, 'login-button').click()  # 登录try:WebDriverWait(self.driver, 60).until(EC.visibility_of_element_located((By.CLASS_NAME, "user-plane-entry")))  # 等待网页跳转，超时等待60秒except:print('登陆超时，失败')  # 等待超过了60self.driver.quit()self.cookie = self.driver.get_cookies()  # 获取cookie 此时是键值对print(self.cookie)print(self.headers)yield scrapy.Request(url='https://portal.qiniu.com/api/gaea/billboard/list?status=1', callback=self.parse,cookies=self.cookie,headers=self.headers)  # 迭代器 放入异步任务中请求

从日志看看效果：