python模拟登陆之验证码与cookie_python模拟登陆之验证码与cookies的同步处理思路

自动登陆可能是写爬虫的第一步，如果都不能登陆，很多东西爬不到的。这也不是第一次写包含验证码识别的自动登陆脚本了。这次有点被坑住了，把这次的记录下来。
这次要自动登陆的网站地址是：2013年株洲市中小学教师全员培训   /IndexPage/Index.aspx
先说下思路，好多人写那些不需要验证码识别的自动登陆脚本很容易，只要保存好cookies就可以了，但是对于需要验证码的网站就总是登陆不上去。
对于需要验证码的网站的自动登陆脚本的步骤：(以上面我说的那个网站为例，对于python和其他语言，思路和步骤都是适用的)
a.先打开登陆页面，获得cookies。
b.再访问验证码的地址。验证码是动态的，每次打开都不一样。
c.识别验证码。这里就需要你处理、识别刚才得到的验证码。自己去找验证码(captcha)识别库，python可以用 pytesser(这个库是调用PIL来处理识别的) 、openc 之类的   或者可以人工识别然后手动输入验证码。
d.构造post请求数据(request data)和请求头部(request head)  ，然后 将构造的请求 post给网站
f.获取 响应(response)信息，并通过测试来验证登陆是否成功。
或者直接跳过a步骤：
b.直接访问验证码的地址。(这里之所以能跳过 a  ,是因为当我们打开 验证码地址时候，已经能获得所有我们需要的cookies 和登陆的验证码 ，所以就没必要 先操作 a 步骤)
c.识别验证码。这里就需要你处理、识别刚才得到的验证码。自己去找验证码(captcha)识别库，python可以用 pytesser(这个库是调用PIL来处理识别的) 、openc 之类的   或者可以人工识别然后手动输入验证码。
d.构造post请求数据(request data)和请求头部(request head)  ，然后 将构造的请求 post给网站
f.获取 响应(response)信息，并通过测试来验证登陆是否成功。
#############################################################################
这两个步骤的区别无非是多了个访问登陆页面的步骤，对登陆没什么影响。我这里用浏览器演示下 第一种步骤(即a ，b,c,d,e,f步骤)，下篇文章开始更具体的操作，获取修改cookies，post数据构造等。
通过下面的步骤来验证我们的思路(还是刚才的网站)：
用到的工具：
firefox浏览器中的firebug扩展 。还可以使用Fiddler，或者httpfox，wireshark 。我这用firebug方便。chrome也有firebug。
1.访问登陆页面获取cookies (相当于a 步骤)
先清空火狐的缓存和cookies  ，打开firebug，监控所有网页。然后打开登陆页面：/IndexPage/Index.aspx 。我们得到了第一个验证码：2073 ，可以通过firebug看到所获得的cookies ， 

​ 2.访问验证码地址获得cookies与验证码(相当于 b ，c  步骤) 先找到验证码地址。鼠标右键点击验证码，选择“复制图像地址”，得到验证码地址为：/GuoPeiAdmin/Login/ImageLog.aspx ，如下图：  

测试下这个验证码地址是否有效：在不关闭刚才登陆页面的 同时用火狐打开验证码的地址，的确得到了一个验证码，也是我们获得的第二个验证码：2876 ，cookies 还是原来的cookies。

 

3. 登陆网站(相当于 d ,f  步骤) 接着，我们开始在刚才打开的登陆网页登陆，输入账号和密码，那么我问你，现在输入哪个验证码才是正确的？你肯定会回答是 2073 这个。错了，这时，我们应该输入第二个获得的验证码：2876   才能正常的登陆进去。不信的话，你可以自己多试几次来验证。   如果我们把 刚才 1——2——3 的操作顺序改为：2——1——3 先打开验证码页面获得一个验证码：AAAA，然后打开登陆页面又得到一个验证码：BBBB，此时再登陆，输入第一个 AAAA 验证码登陆， 就是错误的,无法登陆成功。     至于第二种步骤，我实在找不到能够模拟这个过程的，例如，用fiddler 要先访问验证码地址，获取cookies ，接着用fiddler来模拟post来登陆网站。可惜，我用了n多post软件，都没法实现这些步骤，总是登陆失败。所以直接用python来模拟这个过程： 其中需要 pytesser 模块及其调用的模块和软件都要自己安装，自己去网上google教程安装吧。哥很久很久之前就装了。 pytesser下载 http://code.google.com/p/pytesser/ Tesseract OCR engine下载： http://code.google.com/p/tesseract-ocr/ PIL官方下载 http://www.pythonware.com/products/pil/  

python模拟登陆代码;

 代码如下

# -*- coding: utf-8 -*-

import urllib2
import cookielib
import urllib
import Image
import cStringIO
from pytesser import *
import re
import os

#避免 UnicodeEncodeError: "ascii" codec can"t encode character.  的报错
import sys
reload(sys)
sys.setdefaultencoding( "utf-8" )

 

#下面这段是关键了，将为urlib2.urlopen绑定cookies
#MozillaCookieJar(也可以是 LWPCookieJar ，这里模拟火狐，所以用这个了) 提供可读写操作的cookie文件,存储cookie对象
cookiejar = cookielib.MozillaCookieJar()
# 将一个保存cookie对象，和一个HTTP的cookie的处理器绑定
cookieSupport= urllib2.HTTPCookieProcessor(cookiejar)
#下面两行为了调试的
httpHandler = urllib2.HTTPHandler(debuglevel=1)
httpsHandler = urllib2.HTTPSHandler(debuglevel=1)
#创建一个opener，将保存了cookie的http处理器，还有设置一个handler用于处理http的
opener = urllib2.build_opener(cookieSupport, httpsHandler)
#将包含了cookie、http处理器、http的handler的资源和urllib2对象绑定在一起，安装opener,此后调用urlopen()时都会使用安装过的opener对象，
urllib2.install_opener(opener)

 

 

#登陆页面
loginpage = "http://zhuzhou2013.feixuelixm.teacher.com.cn/IndexPage/Index.aspx"

#要post的url
LoginUrl   = "http://zhuzhou2013.feixuelixm.teacher.com.cn/GuoPeiAdmin/Login/Login.aspx"

 

##打开登陆页面, 以此来获取cookies   。  但是因为  ##打开验证码页面就可以获取全部cookies了，所以可以直接跳过这一步。算是可有可无的
#taobao = urllib2.urlopen(loginpage)
##打印cookies
#print   cookiejar
##先打开页面获取的cookie与  后打开验证码页面的cookie不同。

 

##提取验证码text(手动输入验证码)
#vrifycodeUrl = "http://zhuzhou2013.feixuelixm.teacher.com.cn/GuoPeiAdmin/Login/ImageLog.aspx"
#file = urllib2.urlopen(vrifycodeUrl)
#pic= file.read()
#path = "c:code.jpg"
##img = cStringIO.StringIO(file) # constructs a StringIO holding the image  AttributeError: addinfourl instance has no attribute "seek"
#localpic = open(path,"wb")
#localpic.write(pic)
#localpic.close()
#print "please  %s,open code.jpg"%path 
##text =raw_input("input code :")
#im = Image.open(path)
#text =image_to_string(im)
#print text

 

#提取验证码地址(用pytesser 识别， 自己网上找教程安装)
#并且用pytesser 识别验证码，赋值给 text ，并打印出来。
vrifycodeUrl = "http://zhuzhou2013.feixuelixm.teacher.com.cn/GuoPeiAdmin/Login/ImageLog.aspx"
file = urllib2.urlopen(vrifycodeUrl).read()
img = cStringIO.StringIO(file) # constructs a StringIO holding the image  AttributeError: addinfourl instance has no attribute "seek"
im = Image.open(img)
text = image_to_string(im)
print "vrifycode:", text

 

 

#设置cookie的值，因为post request head  需要 返回 cookie (不是cookies ，是将cookies的格式处理后的值) 
cookies = ""
#这里要从
for index, cookie in enumerate(cookiejar):
  #print "[",index, "]";
  #print cookie.name;
  #print cookie.value;
  #print "###########################"
  cookies = cookies+cookie.name+"="+cookie.value+";";
print "###########################"
cookie = cookies[:-1]
print "cookies:",cookie

#用户名，密码
#当然，我这里登顶要处理掉密码和用户名
#username = "7879954564555664"
#password = "12313164"

#用户名，密码
username = "430223198809308045"
password = "56961888"

#请求数据包
postData = {  
 "__EVENTTARGET":"", 
 "__EVENTARGUMENT":"",
 "__VIEWSTATE": "/wEPDwUKLTcyMzEyMTY2Nw8WAh4LTG9naW5lZFBhZ2UFEExvZ2luZWRQYWdlLmFzcHgWAmYPZBYCZg8PZBYGHgV0aXRsZQUg55So5oi35ZCNL+WtpuS5oOeggS/ouqvku73or4Hlj7ceB29uZm9jdXMFEGNoZWNrSW5wdXQodGhpcykeBm9uYmx1cgUNcmVzdG9yZSh0aGlzKWQYAQUeX19Db250cm9sc1JlcXVpcmVQb3N0QmFja0tleV9fFgEFC0ltZ2J0bkxvZ2luckJjpNhrusWhtPuT33UJ1dBUkvw=",
    "txtUserName":username,
    "txtPassWord":password,   
 "txtCode":text,
 "ImgbtnLogin.x":44 ,
 "ImgbtnLogin.y":14,
 "ClientScreenWidth":1180
} 

 

 

#post请求头部
headers = {
   
 "Accept" : "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
    "Accept-Language": "zh-cn,en-us;q=0.8,zh;q=0.5,en;q=0.3",
    "Accept-Encoding": "gzip, deflate",
   
    "Host":    "zhuzhou2013.feixuelixm.teacher.com.cn",
    "Cookie":cookies,
    "User-Agent" : "Mozilla/5.0 (Windows NT 5.1; rv:29.0) Gecko/20100101 Firefox/29.0", 
    "Referer" : "http://zhuzhou2013.feixuelixm.teacher.com.cn/GuoPeiAdmin/Login/Login.aspx",
 #"Content-Type": "application/x-www-form-urlencoded",
 #"Content-Length" :474,
    "Connection" : "Keep-Alive"
 
}

#合成post数据
data = urllib.urlencode(postData)   
print "data:###############"
print  data
#创建request
#构造request请求
request = urllib2.Request(  LoginUrl,data,headers  )
try:
 #访问页面
 response = urllib2.urlopen(request)
 #cur_url =  response.geturl()
 #print "cur_url:",cur_url
 status = response.getcode()
 print status
except  urllib2.HTTPError, e:
  print e.code

#将响应的网页打印到文件中，方便自己排查错误
#必须对网页进行解码处理
f= response.read().decode("utf8")
outfile =open("rel_ip.txt","w")
print >> outfile , "%s"   % ( f)

#但因响应的信息
info = response.info()
print info

 

#测试登陆是否成功，因为在testurl只有登陆后才能访问
testurl = "http://zhuzhou2013.feixuelixm.teacher.com.cn/GuoPeiAdmin/Login/LoginedPage.aspx"

try:
 response = urllib2.urlopen(testurl)
except  urllib2.HTTPError, e:
  print e.code

#因为后面要从网页查找字符来验证登陆成功与否，所以要保证查找的字符与网页编码相同，否则无非得到正确的结论。建议用英文查找,如css中的 id， name 之类的。
f= response.read().decode("utf8").encode("utf8")
outfile =open("out_ip.txt","w")
print >> outfile , "%s"   % ( f)

#在返回的网页中，查找“你好” 两个字符，因为只有登陆成功后才有两个字，找到了即表示登陆成功。建议用英文
tag = "你好".encode("utf8")
if  re.search( tag,f):
 #登陆成功
 print "Logged in successfully!"
else:
    #登陆失败
 print "Logged in failed, check result.html file for details"

response.close()

 

#这个代码很随意，但是容易看，需要的活，可以写成函数。还有就是urlopen()在大量登陆及检验过程中，可能read(0因为网络阻塞而timeout(超时) ，需要设置urlopen() 的超时时间，或者多次发送请求

总结:在需要输入验证码的网页写自动登陆登陆脚本时候。关键是保证cookies 和 验证码 是同步的。如果直接打开验证码地址就能获得 登陆所需的全部cookies (此时验证码和cookies必定是同步到的)，那么就不必 先打开登陆页面来获取cookies，后打开验证码地址获取 验证码。何必多此一举呢？

 

python模拟登陆之验证码与cookie_python模拟登陆之验证码与cookies的同步处理思路

http://m.bbyears.com/jiaocheng/56284.html

推荐访问: