Python爬虫学习笔记——豆瓣登陆(三)

之前是不会想到登陆一个豆瓣会需要写三次博客，修改三次代码的。

本来昨天上午之前的代码用的挺好的，下午时候，我重新注册了一个号，怕豆瓣大号被封，想用小号爬，然后就开始出问题了，发现无法模拟登陆豆瓣了，开始想难道是账号的问题？就又修改成原来的账号和密码，发现仍然无法登陆

想不会这么衰吧，还没开始怕就被豆瓣封了？但是浏览器登录又没有任何问题，这个时候自己完全摸不着头脑，折腾了半天还是不能解决。

最后想起来有Fiddler 这个神器，就抓了一下request和response包，发现response headers里有一个Location，Raw文件里写着302 Found，一查，是链接被重定向了，Location里的就是新的重定向的链接，浏览器能够自动重定向，所以不会出问题，但是代码不会自动给你重定向。可是！！！！！蛋疼的是！！！我看了headers返回的Location链接！！！！不是和原来一毛一样吗！！！！！

傻逼的是又折腾了好久。。。结果！！！尼玛的链接竟然从http的变成了https的，我压根没留意到s的区别。。。浪费了我个吧小时- -#

把链接都改为https以后，昨天能用了，但今天写的时候，突然又出error了，

captchaAddr = soup.find('img',id='captcha_image')['src'] line 28

TypeError: 'NoneType' object is not subscriptable

是find最后返回了一个None，这表示没有找到验证码的图片，这个就是豆瓣的一个机制，不一定要输入验证码，所以可以稍微修改一下代码，最后的代码如下:

#-*- coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup
import html5lib
import re
import urllib
s = requests.Session()
url1 = 'https://accounts.douban.com/login'
url2 = 'https://www.douban.com/people/****/contacts'
formdata={
"redir":"https://www.douban.com/",
"form_email":"your email",
"form_password":"your password",
#'captcha-solution':'blood',
#'captcha-id':'cRPGXEYPFHjkfv3u7K4Pm0v1:en',
"login":u"登录"
}
 
headers = {
"user-agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36",
#"Location": "https://accounts.douban.com/login"
 
}
r1 = s.post(url1,data=formdata,headers=headers)
rcontent = r1.text
soup = BeautifulSoup(rcontent,"html5lib")
#安装了html5lib没用python本身的html解析库
captchaAddr = soup.find('img',id='captcha_image')['src']
if captchaAddr != None:
   reCaptchaID = r'<input type="hidden" name="captcha-id" value="(.*?)"/'
   captchaID = re.findall(reCaptchaID,rcontent)
   print(captchaID)
   urllib.request.urlretrieve(captchaAddr,"captcha.jpg")
   captcha = input('please input the captcha:')
   formdata['captcha-solution'] = captcha
   formdata['captcha-id'] = captchaID
   r1 = s.post(url1,data=formdata,headers=headers)
r2 = s.get(url2)
f = open('spider2.txt','w',encoding='utf-8')
f.write(r1.text)
f.close()