Python登录并获取CSDN博客所有文章列表

摘要：分析登录过程这几天研究百度登录和贴吧签到，这百度果然是互联网巨头，一个登录过程都弄得复杂无比，简直有毒。另外如果你打开百度首页的话，还会发现浏览器的中还会输出百度的招聘信息。

这几天研究百度登录和贴吧签到，这百度果然是互联网巨头，一个登录过程都弄得复杂无比，简直有毒。我研究了好几天仍然没搞明白。所以还是先挑一个软柿子捏捏，就选择CSDN了。

过程很简单，我也不截图了。直接打开浏览器，然后打开Fiddler，然后登录CSDN。然后Fiddler显示浏览器向https://passport.csdn.net/account/login?ref=toolbar发送了一个POST请求，这个请求包含了登录表单，而且还是未加密的。当然CSDN本身还是使用了HTTPS，所以安全性还行。

请求体如下，username和password当然是用户名和密码了。

username=XXXXX&password=XXXXXX&rememberMe=true<=LT-461600-wEKpWAqbfZoULXmFmDIulKPbL44hAu&execution=e4s1&_eventId=submit

lt参数我不知道是干啥的，结果直接在页面中一看原来全在表单里头，这下直接全了。CSDN很贴心的连注释都给出了。另外如果你打开百度首页的话，还会发现浏览器的log中还会输出百度的招聘信息。

这些信息全有了，这样我们就可以登录了。不说废话，直接上代码。先说说我遇到的几个坑。

首先是一个参数错误，其实逻辑没问题，但是代码我复制粘贴之后忘了改名字了，就登录表单那里，三个参数全弄成了lt，结果登录返回来的页面是错误页面。我还以为是没有附带什么请求头，瞎整了大半天。最后用Fiddler调试了好多遍才发现。

第二个问题就是CSDN鸡贼的跳转。由于浏览器自带了JS引擎，所以我们在浏览器中输入网址，到达页面这一过程不一定就是一个请求。可能中间用了什么JS代码先跳转到中间页面，最后才跳转到实际页面。代码里的_validate_redirect_url(self)函数就是干这个的，登录完了第一次请求会得到一个中间页面，它包含了一堆JS代码，其中有个重定向网址。我们获取到这个重定向网址，还得请求一次，获得200OK之后，后续请求才能获得实际页面。

第三个问题就是正则表达式匹配页面的空格问题了。获取文章首先得知道文章总数，这个好办，直接获取页面里的文章数就行了。它类似100条 共20页这个。那么该怎么获取呢？一开始我用的(d+)条 共(d+)页这个正则，但是结果没匹配到，然后我仔细看了一下页面，原来这两个词之间不是一个空格，而是两个空格！其实这个问题倒是也好办，改一下正则(d+)条s*共(d+)页就行了。所以以后如果遇到空格问题，直接用s匹配，不要想着自己输入一个空格还是两个空格。

import requests
from bs4 import BeautifulSoup
import re
import urllib.parse as parse


class CsdnHelper:
    """登录CSDN和列出所有文章的类"""
    csdn_login_url = "https://passport.csdn.net/account/login?ref=toolbar"
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36",
    }
    blog_url = "http://write.blog.csdn.net/postlist/"

    def __init__(self):
        self._session = requests.session()
        self._session.headers = CsdnHelper.headers

    def login(self, username, password):
        """登录主函数"""
        form_data = self._prepare_login_form_data(username, password)
        response = self._session.post(CsdnHelper.csdn_login_url, data=form_data)
        if "UserNick" in response.cookies:
            nick = response.cookies["UserNick"]
            print(parse.unquote(nick))
        else:
            raise Exception("登录失败")

    def _prepare_login_form_data(self, username, password):
        """从页面获取参数，准备提交表单"""
        response = self._session.get(CsdnHelper.csdn_login_url)
        login_page = BeautifulSoup(response.text, "lxml")
        login_form = login_page.find("form", id="fm1")

        lt = login_form.find("input", attrs={"name": "lt"})["value"]
        execution = login_form.find("input", attrs={"name": "execution"})["value"]
        eventId = login_form.find("input", attrs={"name": "_eventId"})["value"]
        form = {
            "username": username,
            "password": password,
            "lt": lt,
            "execution": execution,
            "_eventId": eventId
        }

        return form

    def _get_blog_count(self):
        """获取文章数和页数"""
        self._validate_redirect_url()
        response = self._session.get(CsdnHelper.blog_url)
        blog_page = BeautifulSoup(response.text, "lxml")
        span = blog_page.find("div", class_="page_nav").span
        print(span.string)
        pattern = re.compile(r"(d+)条s*共(d+)页")
        result = pattern.findall(span.string)
        blog_count = int(result[0][0])
        page_count = int(result[0][1])
        return (blog_count, page_count)

    def _validate_redirect_url(self):
        """验证重定向网页"""
        response = self._session.get(CsdnHelper.blog_url)
        redirect_url = re.findall(r"var redirect = "(S+)";", response.text)[0]
        self._session.get(redirect_url)

    def print_blogs(self):
        """输出文章信息"""
        blog_count, page_count = self._get_blog_count()
        for index in range(1, page_count + 1):
            url = f"http://write.blog.csdn.net/postlist/0/0/enabled/{index}"
            response = self._session.get(url)
            page = BeautifulSoup(response.text, "lxml")
            links = page.find_all("a", href=re.compile(r"http://blog.csdn.net/u011054333/article/details/(d+)"))
            print(f"----------第{index}页----------")
            for link in links:
                blog_name = link.string
                blog_url = link["href"]
                print(f"文章名称:《{blog_name}》 文章链接:{blog_url}")


if __name__ == "__main__":
    csdn_helper = CsdnHelper()
    username = input("请输入用户名")
    password = input("请输入密码")
    csdn_helper.login(username, password)
    csdn_helper.print_blogs()

当然，这里最重要的的就是登录过程了。我们登录之后，才可以做其他事情。比方说，下一步还能写一个备份工具，把CSDN博客的所有文章和图片下载到本地。有兴趣的同学可以试一试。