一、前言
大概是一个月前就开始做淘宝的爬虫了，从最开始的用selenium用户配置到selenium模拟登录，再到这次的post请求模拟登录。一共是三篇博客，记录了我爬取淘宝网的经历。期间也有朋友向我提出了不少问题，比如滑块失败，微博登录失败等，可以说用selenium模拟登录这方面，坑特别多，直接加载用户配置又很笨重，效率低下。所以这次尝试构造post请求表单，模拟登录。
很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！
QQ群：101677771
往期链接：
https://blog.csdn.net/pineapple_C/article/details/107461989
https://blog.csdn.net/pineapple_C/article/details/107641799
github源码链接：
https://github.com/Pineapple666/TaobaoSpider/tree/master/Taobao_face
本文篇幅较长，建议先看代码，有疑惑的再来看。
二、模拟登录
1）用浏览器走一遍登录过程
先把淘宝网的cookies全部清除，然后访问淘宝：https://www.taobao.com，这时候是不需要登录的。
在搜索框搜索iphone，立即跳出了登录页面，它的url是：https://login.taobao.com/member/login.jhtml?redirectURL=http%3A%2F%2Fs.taobao.com%2Fsearch%3Fq%3Diphone%26imgfile%3D%26commend%3Dall%26ssid%3Ds5-e%26search_type%3Ditem%26sourceId%3Dtb.index%26spm%3Da21bo.2017.201856-taobao-item.1%26ie%3Dutf8%26initiative_id%3Dtbindexz_20170306&uuid=f6dd176ff336683f5d47fc1cb16504af
很长很长，但标红的这部分url很重要，redirectURL是重定向url，登录后会跳转到这个url，当然这个是经过url编码的。
其余后面的参数很乱，不知道有用没用，先试一下，把后面的参数去掉，访问https://login.taobao.com/member/login.jhtml?redirectURL=http%3A%2F%2Fs.taobao.com%2Fsearch%3Fq%3Diphone看看能不能行：
可以进入登录页面，那能不能登录呢？
好，正如上面所说，跳转到了这个url。
2）用抓包工具分析登录过程
既然可行，那么接着再来一次，这次看看这个过程都发起了哪些请求，提交了哪些数据。（别忘记清除cookies）
可以使用浏览器开发者模式也可以使用抓包工具Fidder，使用浏览器的话要打开Preserve log
我用的是Fidder
设置抓取的User-Agents为Chrome
点击登录。查看请求记录。
这是两个非常重要的url
第一个是最开始访问的登录页面，一个普通的get请求，第二个就不同了，它是一个post请求，其中表单包含了大量的数据信息
内容虽然很多，但经过我多次的测试和比对后，发现了如下几条规律：
1、loginId一眼就可以看出是账号，ua猜测为一种加密后的用户标识，password2猜测为加密后的密码。这三条信息可以当作固定值反复使用
2、_csrf_token, umidToken, hsiz隐藏在登录页面里
3、其他的都是不变的
3）代码实战
文件名为login.py，类名为Login
class Login:
"""
模拟登录并获取cookies
"""
def __init__(self, ua, loginId, password2):
"""
初始化用户参数信息和相关url
:param ua:
:param loginId:
:param password2:
"""
self.ua = ua
self.loginId = loginId
self.password2 = password2
self.headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36'
}
# 模拟输入商品后跳转的登录页面
self.login_url = f'https://login.taobao.com/member/login.jhtml?redirectURL=http%3A%2F%2Fs.taobao.com%2Fsearch%3Fq%3D{quote(PRODUCT)}'
# 提交表单,获取重定向url
self.commit_url = 'https://login.taobao.com/newlogin/login.do?appName=taobao&fromSite=0'
# 默认重定向url
self.redirect_url = f'https://s.taobao.com/search?q={PRODUCT}'
urllib3.disable_warnings()
ua, loginId, password2这三个是用户信息，传递这三个参数以初始化Login类。PRODUCT是一个全局变量，代表着商品名，在setting.py里可以设置这个变量。如果商品名带有中文，则需要用urllib.parse.quote()进行url编码。
logged函数
def logged(self):
"""
模拟登录
:return: bool
"""
if self.load_cookies():
return False
post_data = {
'loginId': self.loginId,
'password2': self.password2,
'keepLogin': 'false',
'ua': self.ua,
# 'umidGetStatusVal': '255',
# 'screenPixel': '1536x864',
# 'navlanguage': 'zh-CN',
'navUserAgent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36',
'navPlatform': 'Win32',
'appName': 'taobao',
'appEntrance': 'taobao_pc',
'_csrf_token': self.get_value('_csrf_token'),
'umidToken': self.get_value('umidToken'),
'hsiz': self.get_value('hsiz'),
'bizParams': None,
# 'style': 'default',
'appkey': '00000000',
'from': 'tb',
'isMobile': 'false',
# 'lang': 'zh-CN',
'returnUrl': self.redirect_url,
'fromSite': '0'
}
headers = {
'Host': 'login.taobao.com',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36',
'Accept': 'application/json, text/plain, */*',
# 'Accept-Language': 'zh-CN,en-US;q=0.7,en;q=0.3',
# 'Accept-Encoding': 'gzip, deflate, br',
'Content-Type': 'application/x-www-form-urlencoded',
'Origin': 'https://login.taobao.com',
'Connection': 'keep-alive',
'Referer': self.login_url,
}
try:
response = SESSION.post(url=self.commit_url, headers=headers, data=post_data, verify=False)
response.raise_for_status()
except Exception as e:
logger.error(f'登录失败，原因：')
raise e
self.queue_cookies()
self.redirect_url = response.json()['content']['data']['redirectUrl']
return True
为了方便登录，每次登录成功后都会自动保存cookies，所以在登录之前都先要判断是否存在cookies，cookies是否正确等问题。如果上述条件都不成立的话，则重新登录，重新保存cookies。模拟登录最重要的就是执行post请求，而执行post请求就要构造好一个正确的post字典，对于_csrf_token, umidToken, hsiz这三条数据，可以去登录页面提取
这个提取过程主要依靠这两个函数：
@property
def _html(self):
"""
获取登录页面代码
:return: self._html
"""
response = SESSION.get(url=self.login_url, headers=self.headers, verify=False)
return response.text
def get_value(self, key):
"""
根据传入的键得到对应的值
:param key: 键名
:return: 键所对应的值
"""
match = re.search(rf'"{key}":"(.*?)"', self._html)
return match.group(1)
使用Python的@property装饰器，访问内部属性。它相当于又创造了一个和函数名相同的一个属性。调用此函数即调用此属性，有点像Java里的get方法。由于_csrf_token, umidToken, hsiz这三个字段都有一个共同点，都可以通过上面的正则表达式匹配到，所以可以归结为一个函数，不用写三个函数。
表单构造完后，发起post请求，SESSION是一个全局会话，登录和爬取都是一个会话，方便处理cookies。
请求没有问题后，调用queue_cookies()，立即保存cookies
def queue_cookies(self):
"""
序列化cookies
:return:
"""
cookies_dict = dict_from_cookiejar(SESSION.cookies)
with open(COOKIES_PATH, 'w', encoding='utf-8') as file:
json.dump(cookies_dict, file)
logger.success('保存cookies文件成功！')
之后有一个self.redirect_url，对重定向url的再次赋值，这个主要是检查是否会出现滑块验证。只有在连续多次相同ip登录的时候才会跳转到滑块验证，这时候如果还是访问原先的url，它也会跳转，所以加不加都行。
如果登录成功了，可以输出一下当前的网页标题来验证一下
def print_title(self):
"""
输出重定向页面后的标题，以验证登录
:return:
"""
try:
response = SESSION.get(url=self.redirect_url, headers=self.headers, verify=False)
response.raise_for_status()
content = response.text
# 有必要时保存第一页代码，便于调试
# with open('success.html', 'w', encoding='utf-8')as file:
# file.write(content)
match = re.search(r'<title>(.*?)</title>', content, re.S)
title = match.group(1)
if title != f'{PRODUCT}_淘宝搜索':
raise TitleError(f'标题错误，标题:{title}')
except TitleError as e:
raise e
else:
logger.info(f'网页标题为：{title}')
TitleErrors是个自定义异常，用来捕捉标题错误。出现滑块验证时候的标题为：security-X5这个时候要等待一会才能登录成功
这个抛出异常分为两种情况，如果是加载cookies失败，则重新登录，如果是登录失败，则退出程序，这是在load_cookies()函数内实现的
加载cookies首先要将保存的cookies取出来
def unqueue_cookies(self):
"""
反序列化cookies
:return:
"""
try:
with open(COOKIES_PATH, 'r', encoding='utf-8') as file:
cookies_dict = json.load(file)
except JSONDecodeError as e:
raise e
else:
return cookiejar_from_dict(cookies_dict)
根据load_cookies()的返回值判断是否不需要登录。
这就是整个登录的流程，本来很简单的被我这么一说反而变复杂了。再概括一下整个流程吧，首先一上来先加载cookies，如果没有cookies文件，或者加载cookies失败，则再登录一遍并保存cookies，输出当前页面标题，符合条件则登录成功，不符合则失败退出程序。
三、爬取商品列表
借助全局的SESSION来处理cookies，就可以实现连续翻页，访问详情页面的操作。当然详情页面的爬取还有带开发，先爬取商品列表。
1）分析url
https://s.taobao.com/search?q=iphone&bcoffset=6&p4ppushleft=1%2C48&ntoffset=6&s=0
https://s.taobao.com/search?q=iphone&bcoffset=3&p4ppushleft=1%2C48&ntoffset=3&s=44
https://s.taobao.com/search?q=iphone&bcoffset=0&p4ppushleft=1%2C48&ntoffset=6&s=88
https://s.taobao.com/search?q=iphone&bcoffset=-3&p4ppushleft=1%2C48&ntoffset=-3&s=132
https://s.taobao.com/search?q=iphone&bcoffset=-6&p4ppushleft=1%2C48&ntoffset=-6&s=176
这是前五页的url，虽然参数很多，但也能窥探到其中的规律。
bcoffset和ntoffset判断为偏移量，从6开始逐页递增-3。s判断为已观看的商品数，从0开始逐页递增44
等一下，第三页的两个偏移量不相等啊？先别急，访问归我纳出的url试一下：https://s.taobao.com/search?q=iphone&bcoffset=0&p4ppushleft=1%2C48&ntoffset=0&s=88
很好，根据上述归纳，把代码写下来：
def get_url(self):
"""
构造url
:return: url
"""
for page in range(MAX_PAGE):
offset = 6 - page * 3
detali = 44 * page
yield f'http://s.taobao.com/search?q={PRODUCT}&bcoffset={offset}&ntoffset={offset}&p4ppushleft=1%2C48&s={detali}'
PRODUCT前面说过了，是商品名。
因为毕竟这不是一个小项目，淘宝的反爬也是非常厉害，所以按照可以添加代理的方式编写代码，为以后的代理，异步操作做准备。
这其中就有构造一个淘宝请求类，储存请求类，获取代理，设置超时时间，代理异常捕捉等问题。听我一一道来。
2）获取代理
def get_proxy(self):
"""
从代理池获取代理
:return: proxy
"""
try:
response = requests.get(PROXY_POOL_URL)
if response.status_code == 200:
logger.info('Get Proxy', response.text)
return response.text
return None
except requests.ConnectionError:
return None
PROXY_POOL_URL是获取代理的url，这个要配合代理池的使用。即使是付费代理，最好也是在代理池走一遍流程，以提高代理的正确率。
3）分析网页代码
定位一下结点，看上去好像只要用代码定位到这里就可以提取数据了，其实不然，上图的页面和代码都是异步加载出来的，和真实的请求结果很不一样。我把代码请求获得的代码和浏览器看到的代码比对一下，你就知道。
浏览器看到的代码
请求返回的代码
id为main的结点才刚开始，就到结尾了！！！
既然在html里找不到，那干脆就搜索吧，点击NetWork，刷新一下页面，搜索任意商品标题
果然是有的，它保存在一个名为g_page_config的变量里，而且是json格式的。回过头来发现响应的结果也有这个东西：
原来如此，数据藏在这个地方，直接用正则表达式就可以匹配出来：
4）解析页面
def parse_detail(self, response):
"""
解析页面
:return: 商品信息列表
"""
# 匹配全部信息
# match = re.findall(
# r'"nid":"(.*?)","category":"(.*?)","pid":"(.*?)","title":"(.*?)","raw_title":"(.*?)","pic_url":"(.*?)",'
# r'"detail_url":"(.*?)","view_price":"(.*?)","view_fee":"(.*?)","item_loc":"(.*?)","view_sales":"(.*?)",'
# r'"comment_count":"(.*?)","user_id":"(.*?)","nick":"(.*?)"', response.text, re.S)
# keys = ('nid', 'category', 'pid', 'title', 'raw_title', 'pic_url', 'detail_url', 'view_price',
# 'view_fee', 'item_loc', 'view_sales', 'comment_count', 'user_id', 'nick')
# 匹配重要信息
match = re.findall(
r'"nid":"(.*?)",.*?,"raw_title":"(.*?)",.*?,"view_price":"(.*?)","view_fee":"(.*?)","item_loc":"(.*?)",'
r'"view_sales":"(.*?)人付款","comment_count":"(.*?)",.*?,"nick":"(.*?)"', response.text, re.S)
keys = ('id', 'name', 'price', 'fee', 'location', 'sales', 'comments', 'shop')
return [dict(zip(keys, value)) for value in match if len(value[4]) < 50]
因为要保存到mysql里面，所以匹配结果的每一组都应该是一个字典，都放在一个列表里。对于这个列表怎么构造，在这里说明一下：
re.findall()返回的结果是一个列表，列表内的每个元素都是一个元组，一个元组就是一个商品的信息（标题，价格，成交人数等等），keys也是一个元组，代表着mysql里的键名，运用dict(zip(keys,value))的方式创建字典，最后外面套上个列表推导式，这个列表就搞定了。
有时候，因为一个商品少了view_sales这个键，导致item_loc的值非常长，直接匹配到下一个商品的item_loc，这种情况是不允许的，所以加上长度限制，过长则直接跳过。
根据以往的套路，有了url，代理，解析函数，基本上就可以完成这次的爬虫了。但这次不同，要做到一个高效稳定的爬虫仅仅考这些是不够的。就好比代理，万一这次的请求失败了怎么办，会不会出现异常，这页的数据就不要了吗？当然是不行的，不到万不得已，绝不放过任何一条有价值的数据。所以要建立一个高稳定的高容错率的机制。
用redis去配合mysql的存储
5）淘宝请求类：
class TaobaoRequest(Request):
"""
淘宝请求
"""
def __init__(self, url, callback, method='GET', headers=None, need_proxy=NEED_PROXY, timeout=TIMEOUT, fail_time=0):
"""
:param url: url
:param callback: 回调函数
:param method: 请求方法
:param headers: 请求头
:param need_proxy: 是否需要代理
:param timeout: 超时时间
:param fail_time: 请求失败次数
"""
Request.__init__(self, method, url, headers)
self.callback = callback
self.need_proxy = need_proxy
self.timeout = timeout
self.fail_time = fail_time
上面构造了一个请求类，目的就是把本次请求的相关参数比如失败次数，超时时间，是否需要代理等整合到一起，统统放到redis数据库内。然后统一调度，若请求失败则再放入redis中，等待下一次的调度。这样就不会丢失数据。
6）存储
def start(self):
"""
储存全部url，等待调度
:return: None
"""
for url in self.get_url():
taobao_request = TaobaoRequest(url=url, callback=self.parse_detail, headers=self.headers)
self.queue.add(taobao_request)
logger.info(f'Add {taobao_request.url} to redis.')
存好url，等待后面的调度
7）调度
def schedule(self):
"""
调度请求
:return: None
"""
while not self.queue.empty():
taobao_request = self.queue.pop()
callback = taobao_request.callback
logger.info(f'Schedule {taobao_request.url}')
response = self.request(taobao_request)
if response and response.status_code in VALID_STATUSES:
results = callback(response)
if results:
for result in results:
if isinstance(result, dict):
self.mysql.insert(MYSQL_TABLE, result)
logger.success(f'successful parse {taobao_request.url}')
else:
self.error(taobao_request)
else:
self.error(taobao_request)
首先判断是否还有请求类等待调度，有则取出这个请求类，拿出来的这个类只是一空盒子，里面没有任何东西，只有表面的信息（捆绑在一起的参数）。所以要请求这个类里面的url，才能得到响应，盒子里才会有内容。
8）请求
def request(self, taobao_request):
"""
执行请求
:param taobao_request: 请求
:return: 响应
"""
try:
if taobao_request.need_proxy:
proxy = self.get_proxy()
if proxy:
proxies = {
'http': 'http://' + proxy,
'https': 'https://' + proxy
}
logger.info(f'Get proxy {proxies}')
return SESSION.get(url=taobao_request.url, headers=self.headers, timeout=taobao_request.timeout,
proxies=proxies)
return SESSION.get(url=taobao_request.url, headers=self.headers, timeout=taobao_request.timeout)
except (ConnectionError, ReadTimeout) as e:
print(e.args)
return False
在请求之前先判断是否需要代理，need_proxy这个属性是根据setting.py里的NEED_PROXY设置的。代理这个东西，有可能上一秒测试的时候还是好好的，下一秒就不行了，寿命非常有限。所以还是要有相应异常捕捉机制。
调度函数里的callback就是解析函数parse_detail()，如果这个请求返回的是个False，parse_detail()自然就不能解析出数据，解析不到数据怎么办？
这时候就用到容错函数了
9）错误处理
def error(self, taobao_request):
"""
错误处理
:param taobao_request: 请求
:return: None
"""
taobao_request.fail_time += 1
logger.debug(f'Url {taobao_request.url} faile_time + 1, current fail_time: {taobao_request.fail_time}')
if taobao_request.fail_time < MAX_FAIL_TIME:
self.queue.add(taobao_request)
else:
logger.debug(f'Url {taobao_request.url} delete!')
- 1
在解析的数据出现异常的时候，便会调用这个函数，将失败次数+1，到了最大失败次数MAX_FAIL_TIME时则从redis中彻底删除这个请求，MAX_FAIL_TIME在setting.py中设置。
如果解析数据成功，就直接插入mysql里。
有关redis和mysql的代码，都是些套路问题，记下来就好，需要的时候直接拿出来用，我就不在博客里详细介绍了。
更多详细内容，完整代码见github：https://github.com/Pineapple666/TaobaoSpider/tree/master/Taobao_face
三、结语
今天迈出了第一步，再接再厉！