Python:黑板课爬虫闯关第四关

python基础

浏览数:59

2019-4-15

第四关地址:http://www.heibanke.com/lesson/crawler_ex03/

一开始看到的时候有点蒙,不知道啥意思,说密码需要找出来但也没说怎么找啊。

别急,随便输了个昵称和密码,提交一下,就能看到密码提示了。

进入到找密码的链接,显示如下:

注意那一行大字,提示网页加载速度很慢,这一关的意图很明显了,就是:多线程。

密码一共100位,这里虽然显示了翻页,但其实每一页显示的位置是随机的,可能会重复,所以并不是一页页翻到最后一页就可以获取到完整的密码了。

所以我们只要开个多线程,不停的刷第一页就可以了,直到100位全部获取到。

登录部分和第三关是一样的,链接:https://www.cnblogs.com/gl1573/p/9651027.html

代码如下:

import re
import threading
import time
import requests
from bs4 import BeautifulSoup


pwlist = [-1 for i in range(100)]
count = 0
lock = threading.Lock()


def main():
    url_login = 'http://www.heibanke.com/accounts/login/?next=/lesson/crawler_ex03/'
    url = 'http://www.heibanke.com/lesson/crawler_ex03/'
    session = requests.Session()
    session.get(url_login)
    token = session.cookies['csrftoken']
    # 登录
    session.post(url_login, data={'csrfmiddlewaretoken': token, 'username': 'xx', 'password': 'xx'})
    threadlist = [threading.Thread(target=getpw, args=(session,)) for i in range(2)]
    for thread in threadlist:
        thread.setDaemon(True)
        thread.start()
    for thread in threadlist:
        thread.join()
    psd = ''.join(pwlist)
    print(f'密码:{psd}')
    session.get(url)
    token = session.cookies['csrftoken']
    r = session.post(url, data={'csrfmiddlewaretoken': token, 'username': 'aa', 'password': psd})
    html = r.text
    if '密码错误' not in html:
        m = re.search('(?<=\<h3\>).*?(?=\</h3\>)', html)
        print(m.group())


def getpw(session):
    pw_url = 'http://www.heibanke.com/lesson/crawler_ex03/pw_list/'
    global count, pwlist
    while count < 100:
        try:
            html = session.get(pw_url).text
        except:
            time.sleep(1)
            continue
        if '404 Not Found' in html:
            continue
        soup = BeautifulSoup(html, 'lxml')
        pos = soup.find_all('td', {'title': 'password_pos'})
        val = soup.find_all('td', {'title': 'password_val'})
        for i in range(len(pos)):
            p = int(pos[i].string)
            v = val[i].string
            lock.acquire()
            if pwlist[p - 1] == -1:
                pwlist[p - 1] = v
                count += 1
            lock.release()


if __name__ == '__main__':
    main()

这里有一点需要注意,开了很多个线程以后,会发现返回一堆的404,这是黑板课做的一个限制,服务器15秒内最多返回两个请求,否则返回404,所以,开20个线程和开2个线程是一样的。