使用 python 3 抓取需要登录的网站

Question

只是关于一些抓取身份验证的问题。使用 BeautifulSoup:

#importing the requests lib  
import requests
from bs4 import BeautifulSoup

#specifying the page
page = requests.get("http://localhost:8080/login?from=%2F")
#parsing through the api
soup = BeautifulSoup(page.content, 'html.parser')
print(soup.prettify())

从这里输出，我认为很重要：

 <table>
   <tr>
    <td>
     User:
    </td>
    <td>
     <input autocapitalize="off" autocorrect="off" id="j_username" name="j_username" type="text"/>
    </td>
   </tr>
   <tr>
    <td>
     Password:
    </td>
    <td>
     <input name="j_password" type="password"/>
    </td>
   </tr>
   <tr>
    <td align="right">
     <input id="remember_me" name="remember_me" type="checkbox"/>
    </td>
    <td>
     <label for="remember_me">
      Remember me on this computer
     </label>
    </td>
   </tr>
  </table>

这可以很好地抓取网站，但需要登录。我在这里使用 mechanicalsoup 库：

import mechanicalsoup

browser = mechanicalsoup.StatefulBrowser()
browser.open("http://localhost:8080/login?from=%2F")
browser.get_url()
browser.get_current_page()
browser.get_current_page().find_all('form')
browser["j_username"] = "admin"
browser ["j_password"] = "password"
browser.launch_browser()

但是它仍然不让我登录。

有没有人使用过 python3 的抓取工具来抓取具有身份验证的网站？

Answer 1

使用 MechanicalSoup，您首先需要指定要填写和提交的表单。如果您只有一种形式，请使用：

browser.select_form()

然后，填写表格后，您需要提交：

browser.submit_selected()

您可以阅读（新写的）MechanicalSoup tutorial or look at examples like logging in into GitHub with MechanicalSoup。

Answer 2

我看到你在使用请求。登录站点的语法如下：

import requests
page = requests.get("http://localhost:8080/login?from=%2F", auth=
('username', 'password'))

希望对您有所帮助！您可以在此处阅读有关身份验证的更多信息：http://docs.python-requests.org/en/master/user/authentication/

使用 python 3 抓取需要登录的网站

Scraping a website with python 3 that requires login

python

python-3.x

web-scraping

beautifulsoup

mechanicalsoup