HttpClient 模拟登陆知乎

最近做爬虫相关工作，我们平时用HttpWebRequest 比较多，每一个Url都要创建一个HttpWebRequest实例，

而且有些网站验证比较复杂，在登陆及后续抓取数据的时候，每次请求需要把上次的Cookie传递给这次请求。

记得这篇博客(http://www.cnblogs.com/dudu/archive/2013/03/05/httpclient.html)结尾,dudu总结了：

HttpClient最与众不同的地方是同一个HttpClient实例可以发出多次请求，每次请求是可以是完全不同的URL。

而一个HttpWebRequest实例对应于一个Url的一次请求。这才是HttpClient与HttpWebRequest的最大区别所在。

那么为什么不用HttpClient呢？

源码地址：https://github.com/zzhi/Spider4Net

本着学习的目的，那我就拿知乎练习一下，看看HttpClient好用否？

1，分析登陆页：https://www.zhihu.com/#signin



根据上图设置 DefaultRequestHeaders

HttpClient h = new HttpClient(
new HttpClientHandler
{
//CookieContainer = cookies,
AutomaticDecompression = DecompressionMethods.GZip //防止返回的json乱码
| DecompressionMethods.Deflate
});

h.DefaultRequestHeaders.Add("UserAgent", Configs.ChromeAgent);
h.DefaultRequestHeaders.Add("Accept-Language", "zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4");
h.DefaultRequestHeaders.Add("Accept-Encoding", "gzip, deflate, sdch");
h.DefaultRequestHeaders.Add("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");
//1.首页
var response = await h.GetAsync(index);
string content = await response.Content.ReadAsStringAsync();
if (response.IsSuccessStatusCode)
{
//获取隐藏的input值
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(content);
var xsdf = DocumentHelper.GetInputValue(doc, "_xsrf");//登录需要
nameValue["_xsrf"] = xsdf;
}
else
{
return null;
}

2，分析登陆页:https://www.zhihu.com/login/phone_num(我这里是手机和密码登录):



分析：除了要设置DefaultRequestHeaders，还需获取_xsrf的值<input type="hidden" name="_xsrf" value="3bc639713d3f8bb899009a7dfa37f9d2"/>，

这里还需注意：1, Content-Type: application/x-www-form-urlencoded; charset=UTF-8 该如何设置? 参考地址：http://ronaldrosiernet.azurewebsites.net/Blog/2013/12/07/posting_urlencoded_key_values_with_httpclient

2, 登录返回的JSON结果是乱码，该如何处理? 参考地址：http://stackoverflow.com/questions/9242472/retrieve-json-data-with-httpclient

//2.登陆
h.DefaultRequestHeaders.Clear();
h.DefaultRequestHeaders.Add("UserAgent", Configs.ChromeAgent);
h.DefaultRequestHeaders.Add("X-Requested-With", "XMLHttpRequest");
h.DefaultRequestHeaders.Add("Origin", index);
h.DefaultRequestHeaders.Add("Accept-Language", "zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4");
h.DefaultRequestHeaders.Add("Accept-Encoding", "gzip, deflate, sdch");
h.DefaultRequestHeaders.Add("Accept", "*/*");
//post参数
nameValue["password"] = PassWord;
nameValue["captcha_type"] = "cn";
nameValue["remember_me"] = "true";
nameValue["phone_num"] = Phone;
StringBuilder sb = new StringBuilder();
foreach (var key in nameValue.AllKeys)
{
sb.AppendFormat("{0}={1}&", key, nameValue[key]);
}
var str = sb.ToString().TrimEnd('&');
var request = new HttpRequestMessage(HttpMethod.Post, login);
var requestContent = str;
request.Content = new StringContent(requestContent, Encoding.UTF8, "application/x-www-form-urlencoded");

response = await h.SendAsync(request);
content = await response.Content.ReadAsStringAsync();
var dic = DocumentHelper.JsonToDic(content);

if (dic.ContainsKey("msg"))
{
if (dic["msg"] != "登陆成功")//登录过于频繁，请稍等重试;errcode:100030
{
Console.WriteLine(dic["msg"]);
return null;
}
}

3. 登录成功后，后面就由大家随便折腾了。这里获取登陆后的首页信息吧。

//3.抓取首页
h.DefaultRequestHeaders.Clear();
h.DefaultRequestHeaders.Add("UserAgent", Configs.ChromeAgent);
h.DefaultRequestHeaders.Add("Accept-Language", "zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4");
h.DefaultRequestHeaders.Add("Accept-Encoding", "gzip, deflate, sdch");
h.DefaultRequestHeaders.Add("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");
response = await h.GetAsync(index);
content = await response.Content.ReadAsStringAsync();

4，我也不对数据做处理了，看看结果：



上图是调试状态下的可视化工具视图。

源码地址：https://github.com/zzhi/Spider4Net, 里面也包含了用HttpWebRequest 方式登录的代码。

以上就是所有了，如果有时间给大家讲讲登录验证码的识别，但是这个略麻烦，需要根据具体网站的验证码训练一个验证码库，

复杂的无法识别的验证码就只能用打码兔了，其实也可以自己写个类似打码兔的软件，但需要有人值守，人工识别验证码。

这这么点东西，昨晚花费了3小时(9-12)，今早写博客又花费了1小时。