Java 爬蟲遇到需要登錄的網站，該怎麼辦？

這是 Java 網路爬蟲系列博文的第二篇，在上一篇 "Java 網路爬蟲，就是這麼的簡單" 中，我們簡單的學習了一下如何利用 Java 進行網路爬蟲。在這一篇中我們將簡單的聊一聊在網路爬蟲時，遇到需要登錄的網站，我們該怎麼辦？在做爬蟲時，遇到需要登陸的問題也比較常見，比如寫腳本搶票之類的，但凡需要 ...

這是 Java 網路爬蟲系列博文的第二篇，在上一篇 Java 網路爬蟲，就是這麼的簡單中，我們簡單的學習了一下如何利用 Java 進行網路爬蟲。在這一篇中我們將簡單的聊一聊在網路爬蟲時，遇到需要登錄的網站，我們該怎麼辦？

在做爬蟲時，遇到需要登陸的問題也比較常見，比如寫腳本搶票之類的，但凡需要個人信息的都需要登陸，對於這類問題主要有兩種解決方式：一種方式是手動設置 cookie ，就是先在網站上面登錄，複製登陸後的 cookies ，在爬蟲程式中手動設置 HTTP 請求中的 Cookie 屬性，這種方式適用於採集頻次不高、採集周期短，因為 cookie 會失效，如果長期採集的話就需要頻繁設置 cookie，這不是一種可行的辦法，第二種方式就是使用程式模擬登陸，通過模擬登陸獲取到 cookies，這種方式適用於長期採集該網站，因為每次採集都會先登陸，這樣就不需要擔心 cookie 過期的問題。

為了能讓大家更好的理解這兩種方式的運用，我以獲取豆瓣個人主頁昵稱為例，分別用這兩種方式來獲取需要登陸後才能看到的信息。獲取信息如下圖所示：

獲取圖片中的缺心眼那叫單純，這個信息顯然是需要登陸後才能看到的，這就符合我們的主題啦。接下來分別用上面兩種辦法來解決這個問題。

手動設置 cookie 的方式，這種方式比較簡單，我們只需要在豆瓣網上登陸，登陸成功後就可以獲取到帶有用戶信息的cookie，豆瓣網登錄鏈接：https://accounts.douban.com/passport/login。如下圖所示：

圖中的這個 cookie 就攜帶了用戶信息，我們只需要在請求時攜帶這個 cookie 就可以查看到需要登陸後才能查看到的信息。我們用 Jsoup 來模擬一下手動設置 cookie 方式，具體代碼如下：

/**
 * 手動設置 cookies
 * 先從網站上登錄，然後查看 request headers 裡面的 cookies
 * @param url
 * @throws IOException
 */
public void setCookies(String url) throws IOException {

    Document document = Jsoup.connect(url)
            // 手動設置cookies
            .header("Cookie", "your cookies")
            .get();
    //
    if (document != null) {
        // 獲取豆瓣昵稱節點
        Element element = document.select(".info h1").first();
        if (element == null) {
            System.out.println("沒有找到 .info h1 標簽");
            return;
        }
        // 取出豆瓣節點昵稱
        String userName = element.ownText();
        System.out.println("豆瓣我的網名為：" + userName);
    } else {
        System.out.println("出錯啦！！！！！");
    }
}

從代碼中可以看出跟不需要登陸的網站沒什麼區別，只是多了一個.header("Cookie", "your cookies")，我們把瀏覽器中的 cookie 複製到這裡即可，編寫 main 方法

public static void main(String[] args) throws Exception {
    // 個人中心url
    String user_info_url = "https://www.douban.com/people/150968577/";
    new CrawleLogin().setCookies(user_info_url);

運行 main 得到結果如下：

可以看出我們成功獲取到了缺心眼那叫單純，這說明我們設置的 cookie 是有效的，成功的拿到了需要登陸的數據。這種方式是真的比較簡單，唯一的不足就是需要頻繁的更換 cookie，因為 cookie 會失效，這讓你使用起來就不是很爽啦。

模擬登陸方式

模擬登陸的方式可以解決手動設置 cookie 方式的不足之處，但同時也引入了比較複雜的問題，現在的驗證碼形形色色、五花八門，很多都富有挑戰性，比如在一堆圖片中操作某類圖片，這個還是非常有難度，不是隨便就能夠編寫出來。所以對於使用哪種方式這個就需要開發者自己去衡量利弊啦。今天我們用到的豆瓣網，在登陸的時候就沒有驗證碼，對於這種沒有驗證碼的還是比較簡單的，關於模擬登陸方式最重要的就是找到真正的登陸請求、登陸需要的參數。 這個我們就只能取巧了，我們先在登陸界面輸入錯誤的賬號密碼，這樣頁面將不會跳轉，所以我們就能夠輕而易舉的找到登陸請求。我來演示一下豆瓣網登陸查找登陸鏈接，我們在登陸界面輸入錯誤的用戶名和密碼，點擊登陸後，在 network 查看發起的請求鏈接，如下圖所示：

從 network 中我們可以查看到豆瓣網的登陸鏈接為https://accounts.douban.com/j/mobile/login/basic，需要的參數有五個，具體參數查看圖中的 Form Data，有了這些之後，我們就能夠構造請求模擬登陸啦。登陸後進行後續操作，接下來我們就用 Jsoup 來模擬登陸到獲取豆瓣主頁昵稱，具體代碼如下：

/**
 * Jsoup 模擬登錄豆瓣 訪問個人中心
 * 在豆瓣登錄時先輸入一個錯誤的賬號密碼，查看到登錄所需要的參數
 * 先構造登錄請求參數，成功後獲取到cookies
 * 設置request cookies，再次請求
 * @param loginUrl 登錄url
 * @param userInfoUrl 個人中心url
 * @throws IOException
 */
public void jsoupLogin(String loginUrl,String userInfoUrl)  throws IOException {

    // 構造登陸參數
    Map<String,String> data = new HashMap<>();
    data.put("name","your_account");
    data.put("password","your_password");
    data.put("remember","false");
    data.put("ticket","");
    data.put("ck","");
    Connection.Response login = Jsoup.connect(loginUrl)
            .ignoreContentType(true) // 忽略類型驗證
            .followRedirects(false) // 禁止重定向
            .postDataCharset("utf-8")
            .header("Upgrade-Insecure-Requests","1")
            .header("Accept","application/json")
            .header("Content-Type","application/x-www-form-urlencoded")
            .header("X-Requested-With","XMLHttpRequest")
            .header("User-Agent","Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36")
            .data(data)
            .method(Connection.Method.POST)
            .execute();
    login.charset("UTF-8");
    // login 中已經獲取到登錄成功之後的cookies
    // 構造訪問個人中心的請求
    Document document = Jsoup.connect(userInfoUrl)
            // 取出login對象裡面的cookies
            .cookies(login.cookies())
            .get();
    if (document != null) {
        Element element = document.select(".info h1").first();
        if (element == null) {
            System.out.println("沒有找到 .info h1 標簽");
            return;
        }
        String userName = element.ownText();
        System.out.println("豆瓣我的網名為：" + userName);
    } else {
        System.out.println("出錯啦！！！！！");
    }
}

這段代碼分兩段，前一段是模擬登陸，後一段是解析豆瓣主頁，在這段代碼中發起了兩次請求，第一次請求是模擬登陸獲取到 cookie，第二次請求時攜帶第一次模擬登陸後獲取的cookie，這樣也可以訪問需要登陸的頁面，修改 main 方法

public static void main(String[] args) throws Exception {
    // 個人中心url
    String user_info_url = "https://www.douban.com/people/150968577/";

    // 登陸介面
    String login_url = "https://accounts.douban.com/j/mobile/login/basic";

    // new CrawleLogin().setCookies(user_info_url);
    new CrawleLogin().jsoupLogin(login_url,user_info_url);
}

運行 main 方法，得到如下結果：

模擬登陸的方式也成功的獲取到了網名缺心眼那叫單純，雖然這已經是最簡單的模擬登陸啦，從代碼量上就可以看出它比設置 cookie 要複雜很多，對於其他有驗證碼的登陸，我就不在這裡介紹了，第一是我在這方面也沒什麼經驗，第二是這個實現起來比較複雜，會涉及到一些演算法和一些輔助工具的使用，有興趣的朋友可以參考崔慶才老師的博客研究研究。模擬登陸寫起來雖然比較複雜，但是只要你編寫好之後，你就能夠一勞永逸，如果你需要長期採集需要登陸的信息，這個還是值得你的做的。

除了使用 jsoup 模擬登陸外，我們還可以使用 httpclient 模擬登陸，httpclient 模擬登陸沒有 Jsoup 那麼複雜，因為 httpclient 能夠像瀏覽器一樣保存 session 會話，這樣登陸之後就保存下了 cookie ，在同一個 httpclient 內請求就會帶上 cookie 啦。httpclient 模擬登陸代碼如下：

/**
 * httpclient 的方式模擬登錄豆瓣
 * httpclient 跟jsoup差不多，不同的地方在於 httpclient 有session的概念
 * 在同一個httpclient 內不需要設置cookies ，會預設緩存下來
 * @param loginUrl
 * @param userInfoUrl
 */
public void httpClientLogin(String loginUrl,String userInfoUrl) throws Exception{

    CloseableHttpClient httpclient = HttpClients.createDefault();
    HttpUriRequest login = RequestBuilder.post()
            .setUri(new URI(loginUrl))// 登陸url
            .setHeader("Upgrade-Insecure-Requests","1")
            .setHeader("Accept","application/json")
            .setHeader("Content-Type","application/x-www-form-urlencoded")
            .setHeader("X-Requested-With","XMLHttpRequest")
            .setHeader("User-Agent","Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36")
            // 設置賬號信息
            .addParameter("name","your_account")
            .addParameter("password","your_password")
            .addParameter("remember","false")
            .addParameter("ticket","")
            .addParameter("ck","")
            .build();
    // 模擬登陸
    CloseableHttpResponse response = httpclient.execute(login);
    if (response.getStatusLine().getStatusCode() == 200){
        // 構造訪問個人中心請求
        HttpGet httpGet = new HttpGet(userInfoUrl);
        CloseableHttpResponse user_response = httpclient.execute(httpGet);
        HttpEntity entity = user_response.getEntity();
        //
        String body = EntityUtils.toString(entity, "utf-8");

        // 偷個懶，直接判斷 缺心眼那叫單純 是否存在字元串中
        System.out.println("缺心眼那叫單純是否查找到？"+(body.contains("缺心眼那叫單純")));
    }else {
        System.out.println("httpclient 模擬登錄豆瓣失敗了!!!!");
    }
}

運行這段代碼，返回的結果也是 true。

有關 Java 爬蟲遇到登陸問題就聊得差不多啦，來總結一下：對於爬蟲遇到登陸問題有兩種解決辦法，一種是手動設置cookie，這種方式適用於短暫性採集或者一次性採集，成本較低。另一種方式是模擬登陸的方式，這種方式適用於長期採集的網站，因為模擬登陸的代價還是蠻高的，特別是一些變態的驗證碼，好處就是能夠讓你一勞永逸

以上就是 Java 爬蟲時遇到登陸問題相關知識分享，希望對你有所幫助，下一篇是關於爬蟲是遇到數據非同步載入的問題。如果你對爬蟲感興趣，不妨關註一波，相互學習，相互進步

源代碼：源代碼

文章不足之處，望大家多多指點，共同學習，共同進步

最後

打個小廣告，歡迎掃碼關註微信公眾號：「平頭哥的技術博文」，一起進步吧。