[方便查看] 新浪微博爬虫系列之模拟登录
微博很火啊，开发了一个微博爬虫应用
有的人 会说 新浪微博 不是API吗，为什么还要取单独开发爬虫系统呢
如果你用过新浪微博API，你就知道，有着诸多限制，功能少，信息少，信息不全，调用次数限制，重新授权等等 一系列的问题，最主要是返回的信息量少喝调用次数限制，
还有针对IP的.
我们设计这个爬虫的初衷是新浪微博的所有信息，目前是70%，为什么不是100%呢，说到底 还是资源问题了.
新浪微博号称有3亿多人，实际上我们发现存在的加上新注册的大概在2亿左右，其他的都是僵尸用户。
这些后续 再说吧。
这个系统最重要的第一步就是模拟登录了，如果登录都不行，后续的都是扯淡.
这个模拟登录早在2011年3月份就搞定了，到现在，登录也改过好几次，主要新浪那边有变动.
新浪模拟登录不算很复杂，最麻烦的就是验证码了.
要搞清楚这个登录，必须有些工具 httpfox,httpwatch,Fidder等web抓包工具中的一个。
我这里用的是httpFox,获取浏览器
weibo.com打开后，你需要找到对你登录可能产生影响的请求，上面蓝色的返回的参数都是我们需要的，貌似 现在我以前又有点不一样了，
sinaSSOController.preloginCallBack({"retcode":0,"servertime":1346291808,"pcid":"ec06b269ce680ef43ce669d56f9abbfd9d43","nonce":"28FKAG","pubkey":"EB2A38568661887FA180BDDB5CABD5F21C7BFD59C090CB2D245A87AC253062882729293E5506350508E7F9AA3BB77F4333231490F915F6D63C55FE2F08A49B353F444AD3993CACC02DB784ABBB8E42A9B1BBFFFB38BE18D78E87A0E41B9B8F73A928EE0CCEE1F6739884B9777E4FE9E88A1BBE495927AC4A799B3181D6442443","rsakv":"1330428213"})
servertime nonce 都是登录时候需要提交的，以及密码加密，pubkey 是RSAJS 加密的公共密钥 pcid rsakv post时候需要带上去
这些返回值你都需要保存下来。
现在开始登录
分析提交的参数:
entry=weibo&gateway=1&from=&savestate=7&useticket=1&vsnf=1&sso易做图login=1&su=dGVzdCU0MHNpbmEuY29t&service=miniblog&servertime=1346292130&nonce=28FKAG&pwencode=rsa2&rsakv=1330428213&sp=29f86ffc66bbd9ed7d750777a918fdf776211ef8ce4c3d4266111df5e3ad3cd06e2c11c9811a945d245b19eaf51174e70c798735ba5c96bb97220531c4131a6dc5f7207abeb2072401901e3259912b8e2cda3b6e540049b232d72d0693d7bb8db4d8e5d03f2f2b16c0bf11e3c0137150c80d355197b84da510d8c4ca117bbc58&encoding=UTF-8&prelt=264&url=http%3A%2F%2Fweibo.com%2Fajaxlogin.php%3Fframelogin%3D1%26callback%3Dparent.sinaSSOController.feedBackUrlCallBack&returntype=META
固定的我就不说了，
su账号base64加密 应改都会把
sp是密码的加密是下面这个方法，至于说 怎么知道这些加密的，其实也不是很复杂，你需要把这个页面的JS 下载下来单独分析，看哪个地方是最终post数据的，再逆向找加密的地方就知道了 SHAEncrypt 就是sha加密了
[csharp]
protected static string SinaSHA(string pwd, string servertime, string nonce)
{
StringBuilder sbl = new StringBuilder();
string tmppwd = SHAEncrypt(SHAEncrypt(pwd));
sbl.Append(tmppwd);
sbl.Append(servertime);
sbl.Append(nonce);
return SHAEncrypt(sbl.ToString());
}
servertime,nonce,rsakv,pdid(主要是在需要验证码的时候获取)获取过的
参数都解决了，再看返回值
<html>
<head>
<title>ÐÂÀËͨÐÐÖ¤</title>
<meta http-equiv="refresh" content="0; url='http://weibo.com/ajaxlogin.php?framelogin=1&callback=parent.sinaSSOController.feedBackUrlCallBack&retcode=101&reason=%B5%C7%C2%BC%C3%FB%BB%F2%C3%DC%C2%EB%B4%ED%CE%F3'"/>
<meta http-equiv="Content-Type" content="text/html; charset=GBK" />
</head>
<body bgcolor="#ffffff" text="#000000" link="#0000cc" vlink="#551a8b" alink="#ff0000">
<script type="text/javascript" language="javascript">
location.replace("http://weibo.com/ajaxlogin.php?framelogin=1&callback=parent.sinaSSOController.feedBackUrlCallBack&retcode=101&reason=%B5%C7%C2%BC%C3%FB%BB%F2%C3%DC%C2%EB%B4%ED%CE%F3");
</script>
</body>
</html>
只有当retcode=0的时候 才是登录成功，其他的都是登录失败,
101密码错误
5 也是密码错误
4057 你的账号异常了，需要人工认证下，
4049，2070 是需要验证码哦。
这里是登录失败了。如果是登录成功
<html>
<head>
<title>Sina Member</title>
<meta http-equiv="Content-Type" content="text/html; charset=GBK" />
<script charset="utf-8" src="http://i.sso.sina.com.cn/js/ssologin.js"></script>
</head>
<body>
Signing in ...
<script>
try{sinaSSOController.setCrossDomainUrlList({"retcode":0,"arrURL":["http:\/\/kandian.com\/logon\/do_crossdomain.php?action=login&savestate=1346897732","http:\/\/login.t.cn\/sinaurl\/sso.json?action=login&uid=你账号的UID"]});}catch(e){}try{sinaSSOController.crossDomainAction('login',function(){location.replace('http://weibo.com/ajaxlogin.php?framelogin=1&callback=parent.sinaSSOController.feedBackUrlCallBack&ssosavestate=1346897732&ticket=ST-MTk3NDEyNjk1NQ==-1346292932-xd-B6F5BF7A5E4438EA368D6116E6FD1622&retcode=0');});}catch(e){}
</script>
</body>
</html>
这个retcode=0的就是登录成功了.
接下来 就需要提取这里面的3个URL了，分别请求一遍就OK了
值得注意的是，这一些列都要用同一个CookieContainer
到此，登录就成功了，接下来看需要验证码的.
当你的IP，或者账号 对新浪来说有怀疑的时候，主要是访问次数过多的问题的，或者你账号异常的情况，需要你输入验证码
找了半天，账号都忘记了，一时找不到 登录需要验证码的账号
如果是需要验证码:
post时候加个参数就可以了
door=验证码
当然你请求验证码的时候需要pcid就是上面的那个，同时需要同一个cooki了,
至于验证码怎么解决，我在验证码识别中有记录.
这样登录就都搞定了。
补充：软件开发 , C# ,
