爬蟲嘛，不管零基礎還是資深大牛，以前應該都有爬過小姐姐的圖吧。哈哈 都是過來人，其實這些都是皮毛，所以小萌新不用學多久也能很快上手爬取東西。今天不是帶大家來爬取圖片的，而是進行人工識別驗證碼。怎麼樣厲害吧，哈哈。在給大家分享之前呢，還是要介紹一下小編自己弄的一個交流群，像大家推薦一個學習氛圍非常好的群，大家都非常樂意解答，樂意交流溝通，就等你的到來。Python學習群：643692991，如果你正在學習python，小編歡迎你加入，大家都是Python黨，不定期分享乾貨（只有Python爬蟲，框架，零基礎都有），包括我自己整理的一份2017最新的Python資料和零基礎入門教程，歡迎初學和進階中的小夥伴。
目前知乎使用了點擊圖中倒立文字的驗證碼：
用戶需要點擊圖中倒立的文字才能登錄。
這個給爬蟲帶來了一定難度，但並非無法解決，經過一天的耐心查詢，終於可以人工識別驗證碼並達到登錄成功狀態，下文將和大家一一道來。
我們學習爬蟲首先就要知道瀏覽器給服務器傳輸有什麼字段（我用的是Safari瀏覽器進行演示，當然Chrome、Firefox都可以）
我們點擊了第一個和第二個文字：
右鍵審查元素-->點擊登錄 後可以看到：
從右面可以得到：報文發送的URL是
這不難理解，知乎的登錄是把手機和郵箱區分開來，我們用的是手機登錄，經過測試郵箱的URL
這裡就不截圖了。
把右面的資源往下拉：
除了phone_num是用戶名,password是密碼，我們還看到了幾個重要信息： _xsrf、captcha、captcha_type
那麼重點來了，這都分別是什麼意思呢？經過反覆查詢，直接把簡介明瞭的解釋給大家：
_xsrf： 是“跨站請求偽造”(CSRF / XSRF)(Cross Site Request Forgery)，這是知乎的一個安全協議，當你第一次訪問知乎主頁 www.zhihu.com 的時候，知乎會自動往你的瀏覽器發送一個_xsrf字段並且和你的主機綁定，之後的你每次訪問知乎服務器時，你的瀏覽器都會帶上這個字段，知乎發現你發送的_xsrf是我給你的_xsrf時才能有權訪問，如果_xsrf錯誤或者不填都無法訪問。順便一提，這是一個安全機制，基本所有的網站都會設置一個 XSRF/CSRF 的字段，防止黑客攻擊。
我們既然知道瀏覽器每次向知乎發送請求時都會帶上_xsrf字段，那麼我們的爬蟲就必須要模擬瀏覽器訪問知乎首頁獲取這個 _xsrf 字段並在登錄時提交這個字段，才能登錄成功。
captcha： 裡的"img_size"字段是固定的，每次都是[200,44]，應該就是圖片大小的意思。後面的"input_points"是你點擊驗證碼中倒立文字的座標，由於驗證碼中七個文字位置是固定的，我們只要每個字都點一下再進行登錄，再審查元素來確定每個字的座標就能模擬點擊了（是不是豁然開朗），這個步驟自行點擊來獲取座標，我把我測試好的七個文字座標依次拿出來： [22.796875,22],[42.796875,22],[63.796875,21],[84.796875,20],[107.796875,20],[129.796875,22],[150.796875,22] 。
captcha_type： 這個字段就有意思了，其中有一個小技巧來切換成數字英文驗證碼。如果把它設置成 "cn" 就是倒立文字驗證碼，設置成 "en" 就是數字英文驗證碼，我沒就這裡設置成"cn"，數字英文驗證碼網上很多，大家可自行尋找。（經測試不填這個字段也是數字英文驗證碼）
到這裡思路就很清晰了，我們知道了這三個重要信息，就知道如何讓爬蟲登錄知乎了，不多說直接上代碼：
想必大家看代碼都能看的懂了，我再簡單說一嘴重要的
非常要注意的地方是： 必須要用session來請求驗證碼再用session來提交報文，為什麼不能用requests呢？一個session就是一個會話，如果用一個session訪問了一個網站，後面再拿著這個session再請求這個網站，它會把網站帶給我們的cookie或者說網站放到字段裡面的session完全的給帶回去，這裡面的cookie就非常重要，在我們訪問知乎的時候，不管我們有沒有登錄，服務器都可以往我們的header裡面放一些值，我們用pycharm的debug來看一下session：
可以看到裡面有很多cookie，獲取驗證碼時服務器給我們發的這些cookie，必須在登錄時再傳給知乎服務器才算認證成功。如果在登錄時用requests，它會再建立一次session，就無法把獲取驗證碼帶來的cookies傳給服務器，這樣固然認證失敗。
好了，大功告成！只要輸入第幾個文字是倒立的就行了，比如第二個和第四個文字是倒立的，輸入：24 按回車後就自動添加座標，是不是很開心！
相關推薦
