这是 Java 网络爬虫系列博文的第二篇，在上一篇 Java 网络爬虫新手入门详解 中，我们简单的学习了一下如何利用 Java 进行网络爬虫。在这一篇中我们将简单的聊一聊在网络爬虫时，遇到需要登录的网站，我们该怎么办？

在做爬虫时，遇到需要登陆的问题也比较常见，比如写脚本抢票之类的，但凡需要个人信息的都需要登陆，对于这类问题主要有两种解决方式：一种方式是手动设置 cookie ，就是先在网站上面登录，复制登陆后的 cookies ，在爬虫程序中手动设置 HTTP 请求中的 Cookie 属性，这种方式适用于采集频次不高、采集周期短，因为 cookie 会失效，如果长期采集的话就需要频繁设置 cookie，这不是一种可行的办法，第二种方式就是使用程序模拟登陆，通过模拟登陆获取到 cookies，这种方式适用于长期采集该网站，因为每次采集都会先登陆，这样就不需要担心 cookie 过期的问题。

为了能让大家更好的理解这两种方式的运用，我以获取豆瓣个人主页昵称为例，分别用这两种方式来获取需要登陆后才能看到的信息。获取信息如下图所示：

获取图片中的缺心眼那叫单纯，这个信息显然是需要登陆后才能看到的，这就符合我们的主题啦。接下来分别用上面两种办法来解决这个问题。

手动设置 cookie

手动设置 cookie 的方式，这种方式比较简单，我们只需要在豆瓣网上登陆，登陆成功后就可以获取到带有用户信息的cookie，豆瓣网登录链接：https://accounts.douban.com/passport/login。如下图所示：

图中的这个 cookie 就携带了用户信息，我们只需要在请求时携带这个 cookie 就可以查看到需要登陆后才能查看到的信息。我们用 Jsoup 来模拟一下手动设置 cookie 方式，具体代码如下：

/** * 手动设置 cookies * 先从网站上登录，然后查看 request headers 里面的 cookies * @param url * @throws IOException */public void setCookies(String url) throws IOException { Document document = Jsoup.connect(url) // 手动设置cookies .header("Cookie", "your cookies") .get(); // if (document != null) { // 获取豆瓣昵称节点 Element element = document.select(".info h1").first(); if (element == null) { System.out.println("没有找到 .info h1 标签"); return; } // 取出豆瓣节点昵称 String userName = element.ownText(); System.out.println("豆瓣我的网名为：" + userName); } else { System.out.println("出错啦！！！！！"); }}

从代码中可以看出跟不需要登陆的网站没什么区别，只是多了一个.header("Cookie", "your cookies") ，我们把浏览器中的 cookie 复制到这里即可，编写 main 方法

public static void main(String[] args) throws Exception { // 个人中心url String user_info_url = "https:///j/mobile/login/basic"; // new CrawleLogin().setCookies(user_info_url); new CrawleLogin().jsoupLogin(login_url,user_info_url);}

运行 main 方法，得到如下结果：

模拟登陆的方式也成功的获取到了网名缺心眼那叫单纯，虽然这已经是最简单的模拟登陆啦，从代码量上就可以看出它比设置 cookie 要复杂很多，对于其他有验证码的登陆，我就不在这里介绍了，第一是我在这方面也没什么经验，第二是这个实现起来比较复杂，会涉及到一些算法和一些辅助工具的使用，有兴趣的朋友可以参考崔庆才老师的博客研究研究。模拟登陆写起来虽然比较复杂，但是只要你编写好之后，你就能够一劳永逸，如果你需要长期采集需要登陆的信息，这个还是值得你的做的。

除了使用 jsoup 模拟登陆外，我们还可以使用 httpclient 模拟登陆，httpclient 模拟登陆没有 Jsoup 那么复杂，因为 httpclient 能够像浏览器一样保存 session 会话，这样登陆之后就保存下了 cookie ，在同一个 httpclient 内请求就会带上 cookie 啦。httpclient 模拟登陆代码如下：

/** * httpclient 的方式模拟登录豆瓣 * httpclient 跟jsoup差不多，不同的地方在于 httpclient 有session的概念 * 在同一个httpclient 内不需要设置cookies ，会默认缓存下来 * @param loginUrl * @param userInfoUrl */public void httpClientLogin(String loginUrl,String userInfoUrl) throws Exception{ CloseableHttpClient httpclient = HttpClients.createDefault(); HttpUriRequest login = RequestBuilder.post() .setUri(new URI(loginUrl))// 登陆url .setHeader("Upgrade-Insecure-Requests","1") .setHeader("Accept","application/json") .setHeader("Content-Type","application/x-www-form-urlencoded") .setHeader("X-Requested-With","XMLHttpRequest") .setHeader("User-Agent","Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36") // 设置账号信息 .addParameter("name","your_account") .addParameter("password","your_password") .addParameter("remember","false") .addParameter("ticket","") .addParameter("ck","") .build(); // 模拟登陆 CloseableHttpResponse response = httpclient.execute(login); if (response.getStatusLine().getStatusCode() == 200){ // 构造访问个人中心请求 HttpGet httpGet = new HttpGet(userInfoUrl); CloseableHttpResponse user_response = httpclient.execute(httpGet); HttpEntity entity = user_response.getEntity(); // String body = EntityUtils.toString(entity, "utf-8"); // 偷个懒，直接判断 缺心眼那叫单纯 是否存在字符串中 System.out.println("缺心眼那叫单纯是否查找到？"+(body.contains("缺心眼那叫单纯"))); }else { System.out.println("httpclient 模拟登录豆瓣失败了!!!!"); }}

运行这段代码，返回的结果也是 true。

有关 Java 爬虫遇到登陆问题就聊得差不多啦，来总结一下：对于爬虫遇到登陆问题有两种解决办法，一种是手动设置cookie，这种方式适用于短暂性采集或者一次性采集，成本较低。另一种方式是模拟登陆的方式，这种方式适用于长期采集的网站，因为模拟登陆的代价还是蛮高的，特别是一些变态的验证码，好处就是能够让你一劳永逸

源代码：源代码

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。