CSDN爬虫（三）——网络爬虫模拟登陆两种策略

说明

• 开发环境：jdk1.7+myeclipse10.7+win74bit+mysql5.5+webmagic0.5.2+jsoup1.7.2
• 爬虫框架：webMagic
• 建议：建议首先阅读webMagic的文档，再查看此系列文章，便于理解，快速学习：http://webmagic.io/
• 开发所需jar下载（不包括数据库操作相关jar包）：点我下载
• 该系列文章会省略webMagic文档已经讲解过的相关知识。

两种策略概述

• 策略一：模拟浏览器登录，用代码模拟表单填写，然后获取登陆后的信息，用apache的“HttpClients”进行信息保存。特点：操作复杂，需要有足够深的http相关的知识，才能灵活运用，并且许多网站有很多加密规则，需要具体问题具体解决；不过，不需要考虑cookie失效问题。
• 策略二：直接拿去cookie信息，进行设置。特点：操作简单，只要将登陆后的页面的cookie信息拿过来即可；不过，可能会用时间限制，超过一定时间就不能再使用了，需要重新设置。
• 推荐：第二种，对于开发小白，学习成本低。

策略一：模拟浏览器登录

• 注：代码参考网上，具体位置不祥。

• 代码预览

  package com.wgyscsf.spider;
  
  import java.io.BufferedReader;
  import java.io.IOException;
  import java.io.InputStream;
  import java.io.InputStreamReader;
  import java.util.ArrayList;
  import java.util.List;
  
  import org.apache.http.HttpResponse;
  import org.apache.http.NameValuePair;
  import org.apache.http.client.ClientProtocolException;
  import org.apache.http.client.methods.HttpPost;
  import org.apache.http.client.methods.HttpUriRequest;
  import org.apache.http.message.BasicNameValuePair;
  import org.jsoup.Jsoup;
  import org.jsoup.nodes.Document;
  import org.jsoup.nodes.Element;
  
  import com.wgyscsf.utils.HttpUtils;
  
  /**
   * @author wgyscsf</n>
   * 编写日期   2016-9-24下午7:25:36</n>
   * 邮箱  wgyscsf@163.com</n>
   * 博客  http://blog.csdn.net/wgyscsf</n>
   * TODO</n>
   */
  public class SimulateLoginPolicy1 {
      static boolean result = false;
      public static void main(String[] args) {
          // 登录页面，获取以及给服务器传递必要信息
          loginCsdnPager();
          // 登陆后即可以进入登陆后的页面。
          try {
              loginedPager();
          } catch (ClientProtocolException e) {
              // TODO Auto-generated catch block
              e.printStackTrace();
          } catch (IOException e) {
              // TODO Auto-generated catch block
              e.printStackTrace();
          }
      }
  
      /**
       * 登陆后的页面获取，全局可以用，比如http://my.csdn.net/wgyscsf也是可以用的。
       */
      private static void loginedPager() throws IOException,
              ClientProtocolException {
          //构造需要访问的页面
          HttpUriRequest httpUriRequest = new HttpPost(
                  "http://blog.csdn.net/wgyscsf");
          // 添加必要的头信息
          httpUriRequest
                  .setHeader("Accept",
                          "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");
          httpUriRequest.setHeader("Accept-Encoding", "gzip,deflate,sdch");
          httpUriRequest.setHeader("Accept-Language", "zh-CN,zh;q=0.8");
          httpUriRequest.setHeader("Connection", "keep-alive");
          // 模拟浏览器，否则CSDN服务器限制访问
          httpUriRequest
                  .setHeader(
                          "User-Agent",
                          "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.153 Safari/537.36");
          // 【特别注意】：这个一定需要和登录用同一个“httpClient”，不然会失败。登陆信息全部在“httpClient”中保存
          HttpResponse response = HttpUtils.httpClient.execute(httpUriRequest);
          InputStream content = response.getEntity().getContent();
          // 将inputstream转化为reader，并使用缓冲读取，还可按行读取内容
          BufferedReader br = new BufferedReader(new InputStreamReader(content));
          String line = "";
          String result = "";
          while ((line = br.readLine()) != null) {
              result += line;
          }
          br.close();
  
          // 这里是获取的页码，就可以进行界面解析处理了。
          System.out.println(result);
      }
  
      /**
       * 登录页面
       */
      private static void loginCsdnPager() {
          String html = HttpUtils
                  .sendGet("https://passport.csdn.net/account/login?ref=toolbar");// 这个是登录的页面
          Document doc = Jsoup.parse(html);
          // 获取表单所在的节点
          Element form = doc.select(".user-pass").get(0);
          // 以下三个是服务器给的标记信息，必须具有该信息登录才有效。
          String lt = form.select("input[name=lt]").get(0).val();
          String execution = form.select("input[name=execution]").get(0).val();
          String _eventId = form.select("input[name=_eventId]").get(0).val();
  
          // 开始构造登录的信息：账号、密码、以及三个标记信息
          List<NameValuePair> nvps = new ArrayList<NameValuePair>();
          nvps.add(new BasicNameValuePair("username", "wgyscsf@163.com"));
          nvps.add(new BasicNameValuePair("password", "wanggaoyuan"));
          nvps.add(new BasicNameValuePair("lt", lt));
          nvps.add(new BasicNameValuePair("execution", execution));
          nvps.add(new BasicNameValuePair("_eventId", _eventId));
          // 开始请求CSDN服务器进行登录操作。一个简单封装，直接获取返回结果
          String ret = HttpUtils.sendPost(
                  "https://passport.csdn.net/account/login?ref=toolbar", nvps);
          // ret中会包含以下信息，进行判断即可。
          if (ret.indexOf("redirect_back") > -1) {
              System.out.println("登陆成功。。。。。");
              result = true;
          } else if (ret.indexOf("登录太频繁") > -1) {
              System.out.println("登录太频繁，请稍后再试。。。。。");
              return;
          } else {
              System.out.println("登陆失败。。。。。");
              return;
          }
      }
  }
  

• 结果预览

  1. 没有模拟登陆
     
  2. 模拟登陆
     

策略二：获取cookie

• 获取方式如下图
  

• 代码预览

  package com.wgyscsf.spider;
  
  import us.codecraft.webmagic.Page;
  import us.codecraft.webmagic.Site;
  import us.codecraft.webmagic.Spider;
  import us.codecraft.webmagic.processor.PageProcessor;
  
  /**
   * @author wgyscsf</n> 编写日期 2016-9-24下午7:25:36</n> 邮箱 wgyscsf@163.com</n> 博客
   *         http://blog.csdn.net/wgyscsf</n> TODO</n>
   */
  public class SimulateLoginPolicy2 implements PageProcessor {
      private Site site = Site
              .me()
              .setDomain("blog.csdn.net")
              .setSleepTime(300)
              .setUserAgent(
                      "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_2) AppleWebKit/537.31 (KHTML, like Gecko) Chrome/26.0.1410.65 Safari/537.31")
              // 【重要】：以下信息可以模拟登陆，信息全部来自于浏览器
              .addCookie("AU", "CA9")
              .addCookie("BT", "1475675181189")
              .addCookie("UD", "self-control%2Cself-free")
              .addCookie("UE", "wgyscsf@163.com")
              .addCookie("UN", "wgyscsf")
              .addCookie(
                      "UserInfo",
                      "*****")
              .addCookie("UserName", "wgyscsf")
              .addCookie("UserNick", "%E5%89%A9%E8%8F%9C%E5%89%A9%E9%A5%AD")
              .addCookie("__message_cnel", "0")
              .addCookie("__message_district_code", "00000")
              .addCookie("__message_gu_msg_id", "0")
              .addCookie("__message_in_school", "0")
              .addCookie("__message_sys_msg_id", "0")
              .addCookie("access-token", "****")
              .addCookie("dc_session_id", "****")
              .addCookie("dc_tos", "oeku99")
              .addCookie("uuid", "****")
              .addCookie("uuid_tt_dd", "****");
  
      @Override
      public void process(Page page) {
          // 打印网页源码查看和登录之前有何区别，下面就可以进行页面解析了。
          System.out.println(page.toString());
      }
  
      @Override
      public Site getSite() {
          return site;
      }
  
      public static void main(String[] args) {
          Spider.create(new SimulateLoginPolicy2()).addPipeline(null)
                  .addUrl("http://blog.csdn.net/" + "wgyscsf").run();
      }
  
  }
  

• 结果预览

  同策略一结果

操作代码

点我下载

个人公众号，及时更新技术文章(请移步公众号，文章会被官方删除)