Python 爬虫闯关（第四关）

从第三关开始真的是越来越难了。前面三关顺利的话，我们就可以来到第四关了，第四关地址：http://www.heibanke.com/lesson/crawler_ex03/。

本关的难点是从页面解析并拼接出需要的目标密码，理解题目很重要啊~

另外获取密码的页面加载耗时很长，也需要考虑如何处理。

解题思路

首次进入题目页面，同样的跳转到了登录页面：

登录成功后，出现如下页面，发现还是猜密码。

但这次提示密码不是试出来的，而是需要找出来，那从哪里找呢？

我们就按前面几关的惯例随便输入个数字试下吧：

提示密码错误，同时给出了下一步操作的提示，一个找密码的页面，继续访问该页面：

初步观察，页面的表格中有两列，其中一列是密码的位置（还是随机的），另外一列是密码的值。

猜测是将密码的值拼接成一个字符串，但是页面只有 13 页，每页 8 个数值，正好 100 个数，而位置数最大的出现了 100，将这 100 个数放入到 dict(location,value) 里，然后再对 dict 的 key 进行排序，然后再对 value 进行拼接，不就得到密码了嘛。

然而现实是残酷的，仔细观察后发现密码的位置中存在重复，也就是遍历完 13 页数据，并不能得到所有的密码值，然后我就猜想是不是对没有出现在页面的位置进行填充 0处理，发现还是失败......

在多次试验中，发现每次获取到的密码的位置并不是相同的，也就是页面里的随机的意思。

就是需要我们不断的调用查询密码列表页面，一直到密码的位置能够填充 0-100 这些个 key 为止，然后就能够获取到所有密码的值了。

实现代码

# coding=utf-8

import requests, bs4

# 题目URL
url = 'http://www.heibanke.com/lesson/crawler_ex03/'

# 登录URL，获取cookie
login_url = 'http://www.heibanke.com/accounts/login/?next=/lesson/crawler_ex03/'

# 获取密码URL
pwd_url = 'http://www.heibanke.com/lesson/crawler_ex03/pw_list/'

login_data = {'username':'liuhaha', 'password':'123456'}

# 获取默认cookie
response = requests.get(url)
if response.status_code == 200:
    print('Welcome')
cookies = response.cookies

# 登录 
login_data['csrfmiddlewaretoken'] = cookies['csrftoken']
login_response = requests.post(login_url, allow_redirects=False, data=login_data, cookies=cookies)
if login_response.status_code == 200:
    print('login sucessfully')

# 获取登录成功后的cookie
cookies = login_response.cookies

payload = {}
pwd_data = {}
i = 0
# 通过观察，密码应该有100个数字组成。
# 由于每次获取到的密码会有重复，所以不是一次查询完就能获取到所有数字
# 这里一直进行查询，直到获取到100个数字
while len(pwd_data) < 100:
    # 因为每一页的密码位置都是随机给出的，其实这里可以不传page参数，一直调用pwd_url也可以获取到全部密码
    payload['page'] = i % 13
    pwd_url = 'http://www.heibanke.com/lesson/crawler_ex03/pw_list/'
    print('------------------------')
    print('loading data from %s?page=%s ...' %(pwd_url, i%13))
    pwd_response = requests.get(pwd_url, cookies=cookies, params=payload)

    soup = bs4.BeautifulSoup(pwd_response.text, "html.parser")

    # 获取表格
    table = soup.select('[class="table table-striped"]')

    # 解析表格数据，过滤掉表头
    temp_data = {}
    for tr in table[0].find_all('tr')[1:]:
        tds = tr.find_all('td')
        # 分别取出password的位置及其对应的数字
        pwd_data[int(tds[0].getText())] = tds[1].getText()
        temp_data[int(tds[0].getText())] = tds[1].getText()
    # print(temp_data)
    i = i + 1
    print('The load has run %s times and now the pwd_data length is %s' % (i, len(pwd_data)))

# 拼接password
password = ''
for key in sorted(pwd_data.keys()):
    password = password + pwd_data[key]
print(password)

# 重新登录
playload = {'username':'liuhaha', 'password':password}
playload['csrfmiddlewaretoken'] = cookies['csrftoken']

r = requests.post(url, data=playload, cookies=cookies)

print(u'执行结果：' + str(r.status_code))

if r.status_code == 200:
    if u"成功" in r.text:
        print(u'闯关成功！密码为：' + password)
else:
    print(u'Failed')

最终执行了 62 次后获取到了全部密码。

总结

我觉得第四关的难点在于题意的理解。另外还有一个坑需要填。

经过上面的程序，我们可以发现执行过程比较漫长，另外页面也有提示说：网页会慢半拍，实验证明运行一次用时差不多 1400s，将近 24 分钟啊！

那么也许需要一个高效率的方法进行解析，多线程？

且看下回分解。