perl登录各种网站的原理与实现

tkorays(tkorays@hotmail.com)

小孩子才践行大道理，大人只会讲。

        写脚本抓取某个页面内容很简单，但是往往事情没那么简单。有些页面必须是要登录才能查看的，比如你想抓取选课系统中自己的成绩？所以，下面介绍下使用perl登录网站的原理，以及实现。

原理

        如果你了解一些http原理的话，这就很好理解了。使用浏览器打开网页无非就是：你发送请求，然后服务器响应，给你所需要的页面内容。当然这些请求和相应都是有一定规律的。

        先说浏览器发送请求。

       请求常用有POST和GET两种，撇去细节不谈，两者有个很大的区别就是POST传递的参数是不显示在url中，而GET方式传递的参数会在url中显示。而我们登录有表单提交，经常要用POST和GET。比如我在开源中国搜索apache：

        这个表单是GET方式的，所以url中会有参数。

        那么，是否浏览器就发送了这么多数据给服务器了呢，答案当然是，否。如上图中，点开头消息，请求头如下：

        其实还发送了这些数据，所以如果你要自己用c/c++等实现，不要忘记发送必要的数据哦。（提示，每个数据使用\r\n分割的）如果你使用perl，有现成的库，你不需要关注太多细节的，只需要知道，可能须有cookie！

        因此，请求你只需要关注，请求的参数以及可能需要的cookie。

        接下来说相应。

        同样，浏览器返回的html网页不止是你查看源代码看到的那些，还包括响应头。

        相应头和请求头差不多，主要高速浏览器该怎么处理这些相应。注意上面的Content-Type没，后面的text/html表示返回的数据是html格式的。（返回javascript时，content-type是application/x-javascript）。当然并不是所有的相应都有响应头，而且大多时候，你也不需要关注它。这里我只是凑字数说说，完全可以忽略。返回的页面，你完全只需要获取头后面的东西（反正你也知道返回的是html还是javascript，何必还判断呢）。

        cookies是保存在浏览器端的一些小数据，可以用于保存一些信息。它其实就是一些键值对。很多时候，服务器会生成一些数据给浏览器，这些在之后的通信过程中是很重要的。所幸的是，perl有现成的库供我们管理cookies，如果你要一步步实现，就头大了。

        对了，还要注意的是url编码问题，有时候会出现。

实现

        说了原理当然要说实现了，不然我就是欺骗读者的感情了。

        perl中使用到的主要包有LWP，会用到它的UserAgent、Cookies、Response等类。这些类有不明白的地方可以查看cpan。

        这里我们需要模拟一个浏览器的行为，所以要创建一个UserAgent对象。

my $ua = LWP::UserAgent->new;
$ua->agent("Mozilla/5.0 (Windows NT 6.1; rv:30.0) Gecko/20100101 Firefox/30.0");

        这样，请求头里面的浏览器就变成了火狐，服务器会以为我们是使用火狐呢。

        不能忘记cookies哦。

my $cookie_jar = HTTP::Cookies->new(
    file=>‘lwp_cookies.txt‘,
    autosave=>1,
    ignore_discard=>1);
$ua->cookie_jar($cookie_jar);

        之后调用UserAgent的post和get方法，想干什么就干甚么。

        如果你看的不是很明白，下面给出一个登录人人并发状态的例子，好好领悟吧。有注释哦：

#!/usr/bin/perl
# Copyright 2014 tkorays. All rights reserved.
# author tkorays
# email tkorays@hotmail.com
use strict;
use warnings;
use LWP;
use LWP::Simple;
use LWP::UserAgent;
use HTTP::Cookies;
use HTTP::Headers;
use HTTP::Response;
use Encode;
use URI::Escape;
use URI::URL;

my $email = ‘***@**.com‘;
my $password = ‘***‘;
my $domain = ‘renren.com‘;
my $hostid=‘‘;
my $requestToken=‘‘;
my $rtk=‘‘;
my $channel=‘renren‘;

my $ua = LWP::UserAgent->new;
$ua->agent("Mozilla/5.0 (Windows NT 6.1; rv:30.0) Gecko/20100101 Firefox/30.0");
my $cookie_jar = HTTP::Cookies->new(
    file=>‘lwp_cookies.txt‘,
    autosave=>1,
    ignore_discard=>1);
$ua->cookie_jar($cookie_jar);

my $login_url = ‘http://www.renren.com/PLogin.do‘;

# 这里面没有判断是否需要验证码，聪明的你学完后肯定知道怎么搞定的
# 人人是post登陆的，第一个参数是登陆的地址，第二个参数是一个匿名hash
my $res = $ua->post($login_url,{
        ‘email‘=>$email,
        ‘password‘=>$password,
        ‘domain‘=>$domain});
my $homepage; 
# 判断响应头里面的location，确定是否登陆成功   
if($res->header(‘Location‘) eq ‘http://www.renren.com/Home.do‘){
    print ‘login ok...‘,"\n";
    $homepage = $ua->get(‘http://www.renren.com/home‘); 
}else{
    exit;
}
# 作为福利，下面还是贴上，发状态的吧，后面就不注释了
#####################################
if($homepage->is_success){
    my $pagect = $homepage->content;
    $pagect =~ /id\s:\s"(\d+)"/g;
    $hostid = $1;
    $pagect =~ /requestToken\s:\s‘(.+)‘/g;
    $requestToken = $1;
    $pagect =~ /_rtk\s:\s‘(.+)‘/;
    $rtk = $1;
    
            
}else{
    exit;    
}
my $purl = ‘http://shell.renren.com/‘.$hostid.‘/status‘;
my ($sec,$min,$hour,$day,$mon,$year,$wday,$yday,$isdst) = localtime(); 
$year +=1900;
$mon++;
my $postret = $ua->post($purl,{
    ‘content‘=>"renren test,by perl script,author:tkorays,date:$year-$mon-$day $hour:$min:$sec.",
    ‘hostid‘=>$hostid,
    ‘requestToken‘=>$requestToken,
    ‘_rtk‘=>$rtk,
    ‘channel‘=>$channel});
if($postret->is_success){
    print ‘send ok...‘,"\n";
}else{
    print ‘fuck!‘;
}

        有验证码怎么办？UserAgent的get、方法获取啊。

        给个简单的例子吧：

my $res = $ua->get($url.‘/GenImg‘);
    if(!$res->is_success){
        return 0;
    }
    open(FILE_HANDLE,‘>img.jpg‘);
    binmode FILE_HANDLE;
    print FILE_HANDLE $res->content;
    close FILE_HANDLE;

        上面的代码把验证码存为图片。所以验证码问题就解决了。

GO

        问题都解决了，你就赶快行动？