本文讲述了如何使用代码模拟HTTP请求来实现数据爬取、点赞、评论回复等功能。

内容包括：

1.抓包软件WireShark的简单使用方法

2.Python库requests的基本使用

3.一个用代码回复博客的例子

一、思路阐述

首先，要模拟HTTP请求，我们要知道被模拟的真实HTTP它到底包含了哪些东西。它的目标URL是什么，参数是什么，是不是带cookie?除此之外还包括了哪些(比如Header)？

为了获取这些信息，我们可以使用抓包软件WireShark来捕获我们真实提交请求时的数据。

这里解释一下为什么要用WireShark?（Chrome浏览器本身其实也自带类似功能，有兴趣的朋友可以去研究下，但是我还是觉得抓包软件牛逼）

你可能觉得我要模拟HTTP请求来提交表单，只要看下网页源代码中的form表单有哪些字段就可以了。

没错，对于一些耿直的安全防护水平低的网站来说，这个方法确实可行。但对于大多数网站是行不通的。

拿某博客网站做例子，看到它源代码中有个表单域如下：

然而我开着抓包软件，在真实地完成一次评论操作后，获取到的POST请求是这样的:

当然，这可能是因为它的onsubmit中修改了参数名字。但是就算是你正确填写了参数名，可能也没法获得正确的结果。其中缘由，下文的例子会具体阐述。

通过抓包软件，我们获取到了真实的HTTP请求的内容（上面红字所提到的）。接下来就可以通过代码来模拟。当然，在模拟时肯定会碰到各种问题，这时候我们要做的就是比较模拟的包(即代码发送的包。你看，不用抓包软件你怎么去获取代码发送的请求?)和真实请求的包的内容，来完善代码(比如添加一些cookie、header等等)。

本文我使用Python来编写，用了它强大的requests 库来模拟。

OK,到这里大致思路已经清楚了：使用抓包软件获取真实HTTP请求的内容，并用python代码来模拟。接下来我们看一下怎么去使用WireShark获取我们需要的信息。

二、用抓包软件抓到我们想要的包

打开WireShark,看到主界面如下：

这时候选择一个正在使用的网络连接之后Start(开始抓包)，然后出现如下的界面:

在这里我们看到各种各样的包，一会儿就把整个屏给刷满了。别急，我们给它做点过滤。

在Filter输入栏中输入过滤规则:  ip.dst==116.213.120.41 and http.request.method=="POST"

解释一下：目标IP地址为116.... 以及 包内容为:   以POST方法提交的HTTP请求(关于过滤规则网上查一下比比皆是)

现在清爽多了是不是：

这里显示的是我真实登录慕课网所post的请求的内容。可以看到URL、提交的内容以及一些乱七八糟的信息。

有同学可能不清楚怎么获得慕课的IP：打开终端Ping一下慕课的网址就可以了，如下所示：

OK，到这里想必读者已经清楚如何利用WireShark来获取真实请求的包了。有了包的数据，接下来就要用代码来模拟了！

三、用代码来爬取数据、提交请求

本来想拿新浪博客做例子的。抓了下包看了内容吓哭了。也忒多了。还是拿某博客为例吧。

首先给个链接看看回复博客的效果：

http://blog.csdn.net/u012422829/article/details/46491779   这篇博客里抽风一样的评论有的是我之前做测试的时候真实提交的，有的是用代码提交的。

然后直接上代码：

[python] view plaincopy

1. import requests

2. from bs4 import BeautifulSoup

3. # coding="utf-8"

4. url = 'https://passport.csdn.net/account/login'

5. sess = requests.session()

6. print sess

7. html1 = sess.get(url).text

8. soup1 = BeautifulSoup(html1)

9. p1 = soup1.select("[name=lt]")[0]["value"]

10. p2 = soup1.select("[name=execution]")[0]["value"]

11. data = {

12. "lt": p1,

13. "execution": p2,

14. "_eventId": "submit",

15. "username": "your name",

16. "password": "your psw"

17. }

18. r = sess.post(url, data)

19. print r.text

20. #below is the code how to reply your blog

21. commentUrl="http://blog.csdn.net/u012422829/comment/submit?id=46491779"

22. html2 = sess.get(url).text

23. commentdata = {

24. "commentid":'',

25. "content":"I am excited that I can reply my blog by my python code!",

26. "replyId":'',

27. }

28. headers = {'content-type': 'application/x-www-form-urlencoded',

29. 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.118 Safari/537.36'}

30. sess.headers.update(headers)

31. r2 = sess.post(commentUrl, commentdata)

32. print r2.text

33. #below is the code how to crawl the info  you want

34. msg = BeautifulSoup(sess.get('http://msg.csdn.net/').text)

35. for li in msg.select(".user_name"):

36. print li.text

37. #below is the code how to up your blog in the home page of CSDN

38. url3='http://blog.csdn.net/common/digg.html?id=46541445&blog=1248879&user=u012422829&action=up'

39. msg = BeautifulSoup(sess.get(url3).text)

40. print msg

关于登录代码的解释:

使用了Python强大的requests库来完成。有关这个库用法的介绍网上很多,读者可以自己去找找。

我先用抓包软件获取到了包的内容，确认了发送的表单内容之后，发现有3个隐藏域，于是直接从网站返回消息中获取。

一开始没有添加Header,发送的请求被拒绝处理（403Forbidden）。观察了两个包的内容，猜想可能是Header中User-Agent为Python脚本的原因，于是顺手把真实请求的Header复制下来，替换了User-Agent之后，成功登录。

看看爬下来的msg的输出：

可以看到我把所有消息的来源者的name爬下来了。

============写在后面====================================

爬其他网站数据也大同小异，不过很多都有反爬虫机制。比如刚刚试验知乎登录，一开始还可以，后来就被验证码弄的405ERR了，忧伤。

任何问题欢迎留言！