Java爬蟲中怎么爬取需要登錄的網站

這篇文章主要介紹Java爬蟲中怎么爬取需要登錄的網站，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

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，對于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，復制登陸后的 cookies ，在爬蟲程序中手動設置 HTTP 請求中的 Cookie 屬性，這種方式適用于采集頻次不高、采集周期短，因為 cookie 會失效，如果長期采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序模擬登陸，通過模擬登陸獲取到 cookies，這種方式適用于長期采集該網站，因為每次采集都會先登陸，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后才能看到的信息。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后才能看到的，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

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，登陸成功后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后才能查看到的信息。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，然后查看 request headers 里面的 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 h2").first();
    if (element == null) {
      System.out.println("沒有找到 .info h2 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么區別，只是多了一個.header("Cookie", "your cookies") ，我們把瀏覽器中的 cookie 復制到這里即可，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復雜的問題，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。所以對于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，對于這種沒有驗證碼的還是比較簡單的，關于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，點擊登陸后，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，有了這些之后，我們就能夠構造請求模擬登陸啦。登陸后進行后續操作，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，成功后獲取到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后的cookies
  // 構造訪問個人中心的請求
  Document document = Jsoup.connect(userInfoUrl)
      // 取出login對象里面的cookies
      .cookies(login.cookies())
      .get();
  if (document != null) {
    Element element = document.select(".info h2").first();
    if (element == null) {
      System.out.println("沒有找到 .info h2 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，后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后獲取的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/";

  // 登陸接口
  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 要復雜很多，對于其他有驗證碼的登陸，我就不在這里介紹了，第一是我在這方面也沒什么經驗，第二是這個實現起來比較復雜，會涉及到一些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復雜，但是只要你編寫好之后，你就能夠一勞永逸，如果你需要長期采集需要登陸的信息，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 那么復雜，因為 httpclient 能夠像瀏覽器一樣保存 session 會話，這樣登陸之后就保存下了 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，不同的地方在于 httpclient 有session的概念
 * 在同一個httpclient 內不需要設置cookies ，會默認緩存下來
 * @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 是否存在字符串中
    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。

以上是“Java爬蟲中怎么爬取需要登錄的網站”這篇文章的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！