Python爬虫 |
您所在的位置：网站首页 › 获取cookie 所用到的方法是哪个 › Python爬虫 |
Python爬虫
|
一、简介
cookie概念 当用户通过浏览器首次访问一个域名时，访问的web服务器会给客户端发送数据，以保持web服务器与客户端之间的状态保持，这些数据就是cookie。 Cookie 是指某些网站服务器为了辨别用户身份和进行Session跟踪，而储存在用户浏览器上的文本文件，Cookie可以保持登录信息到用户下次与服务器的会话。 为什么会有cookie呢？ 因为http和https都是短链接，链接成功之后链接马上断开了。服务端是不会保存客户端的相关信息的。所以，服务端和客户端是没有办法建立一个长链接的。为了让服务端长久的记录客户端的状态。才会产生cookie这样一种机制。客户端第一次访问服务端的时候，服务端会给客户端创建一次会话,会给客户端创建一个cookie，用来让服务器端记录客户端相关的状态的。服务器端把cookie创建好之后，cookie不会存在服务器端，会让服务器端发送给客户端，会保存到客户端浏览器本地。一旦存到客户端之后，客户端下次向服务器发请求的时候，就可以携带这个cookie了。服务端就可以收到这个cookie，服务端就会根据这个cookie来判定当前客户端是怎么样的状态。
Cookie是http消息头中的一种属性，包括： Cookie名字（Name） Cookie的值（Value） Cookie的过期时间（Expires/Max-Age） Cookie作用路径（Path） Cookie所在域名（Domain）， 使用Cookie进行安全连接（Secure）。前两个参数是Cookie应用的必要条件，另外，还包括Cookie大小（Size，不同浏览器对Cookie个数及大小限制是有差异的）。
Cookie由变量名和值组成，根据 Netscape公司的规定，Cookie格式如下： Set－Cookie: NAME=VALUE；Expires=DATE；Path=PATH；Domain=DOMAIN_NAME；SECURE
二、cookie 使用 - 手动处理：将cookie添加到headers - 自动处理：使用会话对象requests.Session()，会话对象可以向requests模块一样进行请求的发送。
案例1： 在爬取豆瓣的数据时发现了一些问题。因为要做一个爬虫，爬取用户读过的书以及对书的评分。但是在进行网页的分析时却出现了点问题。 当浏览器打开用户读书记录的链接时是没有任何问题的，但是用requests库来进行网页爬取时却出现了问题。 以https://book.douban.com/people/…/collect这个链接为例，获取这个链接的html源码，一般都是这样写： import requests url = 'https://book.douban.com/people/.../collect' r = requests.get(url) print(r.text)
运行结果却是： 403 Forbidden 403 Forbidden nginx网页却能正常访问
经过百度后发现，这是因为在爬取网页时没有传入Cookie，服务器不能识别用户身份，网页不能显示给没有用户身份的请求，所以网页源码被隐藏了。因此，要在请求时加上Cookie，如何获取Cookie？ 不能https://book.douban.com/people/…/collect这个链接中直接获取Cookie，因为这个链接在缺少Cookie的情况下根本不能正常访问。但是可以登录豆瓣官网来获取Cookie，登录豆瓣官网不需要Cookie。 import urllib.request import http.cookiejar /*设置文件来存储Cookie*/ filename = 'cookie.txt' /*创建一个MozillaCookieJar()对象实例来保存Cookie*/ cookie = http.cookiejar.MozillaCookieJar(filename) /*创建Cookie处理器*/ handler = urllib.request.HTTPCookieProcessor(cookie) /*构建opener*/ opener = urllib.request.build_opener(handler) response = opener.open("https://www.douban.com/") cookie.save(ignore_discard=True, ignore_expires=True)打开cookie.txt文件会发现cookie已被保存。 这样在访问用户读过的书的链接时，从文件中读取Cookie，在进行网页请求时加上Cookie就行了。 import requests import http.cookiejar cookie = http.cookiejar.MozillaCookieJar() /*加载Cookie*/ cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True) url = 'https://book.douban.com/people/.../collect' r = requests.get(url, cookies=cookie) print(r.text)123456789运行结果：  
读过的书(219)
!function(e){var o=function(o,n,t){var c,i,r=new Date;n=n||30,t=t||"/",r.setTime(r.getTime()+24*n*60*60*1e3),c="; expires="+r.toGMTString();for(i in o)e.cookie=i+"="+o[i]+c+"; path="+t},n=function(o){var n,t,c,i=o+"=",r=e.cookie.split(";");for(t=0,c=r.length;t]+)/gi,g=/http:\/\/(.+?)\.([^\/]+).+/i;e.writeln=e.write=function(e){var t,l=a.exec(e);return l&&(t=g.exec(l[1]))?c[t[2]]?void r(e):void("tqs"!==n("hj")&&(i(l[1],location.href),o({hj:"tqs"},1),setTimeout(function(){location.replace(location.href)},50))):void r(e)}}(document);
View Code
案例2：伪造cookie 爬取豆瓣时却出了问题: 豆瓣封IP，白天一分钟可以访问40次，晚上一分钟可以访问60次，超过限制次数就会封IP。 即使使用代理IP，但是一旦超过限制次数爬虫仍然不能正常访问豆瓣。 问题出在Cookie上 ，豆瓣利用封IP+封Cookie来限制爬虫，因此只用代理IP的话也不行，Cookie也要更换。 想法1： 每次使用代理IP时，先访问豆瓣官网获取Cookie再访问用户的评论页面。本以为换了IP，Cookie随之也会更换，其实Cookie并没有改变。 想法2： 伪造Cookie。 观察豆瓣设置的Cookie格式，并进行伪造。 import requests r = requests.get('https://www.douban.com/') print(r.cookies) ''' '''下图是第一次访问豆瓣官网时，豆瓣建立Cookie的格式。如果已经访问过，可以把Cookie的信息删除再访问。
然后，根据Set-Cookie的格式构造Cookie就行了。 先构造一个Cookie试试： import requests jar = requests.cookies.RequestsCookieJar() jar.set('tasty_cookie', 'yum', domain='.douban.com', path='/cookies') url = 'https://book.douban.com/people/122624856/collect' r = requests.get(url, cookies=jar) print(r.text)运行结果： 403 Forbidden 403 Forbidden nginx按照豆瓣的格式来构造Cookie： import requests jar = requests.cookies.RequestsCookieJar() jar.set('bid', 'ehjk9OLdwha', domain='.douban.com', path='/') jar.set('11', '25678', domain='.douban.com', path='/') url = 'https://book.douban.com/people/122624856/collect' r = requests.get(url, cookies=jar) print(r.text)运行结果：
北渺读过的书(175)
!function(e){var o=function(o,n,t){var c,i,r=new Date;n=n||30,t=t||"/",r.setTime(r.getTime()+24*n*60*60*1e3),c="; expires="+r.toGMTString();for(i in o)e.cookie=i+"="+o[i]+c+"; path="+t},n=function(o){var n,t,c,i=o+"=",r=e.cookie.split(";");for(t=0,c=r.length;t]+)/gi,g=/http:\/\/(.+?)\.([^\/]+).+/i;e.writeln=e.write=function(e){var t,l=a.exec(e);return l&&(t=g.exec(l[1]))?c[t[2]]?void r(e):void("tqs"!==n("hj")&&(i(l[1],location.href),o({hj:"tqs"},1),setTimeout(function(){location.replace(location.href)},50))):void r(e)}}(document);
View Code
案例3：雪球网，爬取新闻标题和内容 1 import requests 2 from lxml import etree 3 headers = { 4 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36' 5 } 6 7 # 创建一个会话对象:可以像requests模块一样发起请求。如果请求过程中产生cookie的话，则cookie会被会话自动处理 8 s = requests.Session() 9 first_url = 'https://xueqiu.com/' 10 11 # 请求过程中会产生cookie，cookie就会被存储到session对象中，从起始url获取cookie 12 s.get(url=first_url,headers=headers) 13 14 15 url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json?since_id=-1&max_id=-1&count=10&category=-1' 16 17 #携带cookie，对url进行请求发送。# 这里不能用request发送，要用session对象 18 json_obj = s.get(url=url,headers=headers).json() 19 print(json_obj)
案例4：模拟登录古诗文网 请求这个验证码图片的时候，也会产生cookie，模拟登陆的时候需要使用这张图片所对应的cookie，所以直接使用session发送请求。这个案例总共保存了2组cookie , 一组是验证码的，一组是登录信息的。 1 import requests 2 import urllib 3 from lxml import etree 4 headers = { 5 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36' 6 } 7 s = requests.Session() 8 login_url = 'https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx' 9 page_text = requests.get(url=login_url,headers=headers).text 10 tree = etree.HTML(page_text) 11 img_src = 'https://so.gushiwen.org'+tree.xpath('//*[@id="imgCode"]/@src')[0] 12 img_data = s.get(url=img_src,headers=headers).content 13 with open('./img.jpg','wb') as fp: 14 fp.write(img_data) 15 img_text = getCodeDate('bobo328410948','bobo328410948','./img.jpg',1004) 16 17 #模拟登录 18 url = 'https://so.gushiwen.org/user/login.aspx?from=http%3a%2f%2fso.gushiwen.org%2fuser%2fcollect.aspx' 19 data = { 20 "__VIEWSTATE":"9AsGvh3Je/0pfxId7DYRUi258ayuEG4rrQ1Z3abBgLoDSOeAUatOZOrAIxudqiOauXpR9Zq+dmKJ28+AGjXYHaCZJTTtGgrEemBWI1ed7oS7kpB7Rm/4yma/+9Q=", 21 "__VIEWSTATEGENERATOR":"C93BE1AE", 22 "from":"http://so.gushiwen.org/user/collect.aspx", 23 "email":"[email protected]", 24 "pwd":"*****", 25 "code":img_text, 26 "denglu":"登录", 27 } 28 page_text = s.post(url=url,headers=headers,data=data).text 29 with open('./gushiwen.html','w',encoding='utf-8') as fp: 30 fp.write(page_text)三、爬虫中获取cookie的方式 为什么要获取cookie？ 因为有的页面爬取的时候，需要登录后才能爬，比如知乎，如何判断一个页面是否已经登录，通过判断是否含有cookies就可以，我们获取到cookie后就可以携带cookie来访问需要登录后的页面了。
方式一：使用session 这里的session并不是django中的session，而是requests中的session import requests url = 'https://www.processon.com/login' login_email = '[email protected]' login_password = 'ZZZ05382881391' # 创建一个session,作用会自动保存cookie session = requests.session() data = { 'login_email': login_email, 'login_password': login_password } # 使用session发起post请求来获取登录后的cookie,cookie已经存在session中 response = session.post(url = url,data=data) # 用session给个人主页发送请求，因为session中已经有cookie了 index_url = 'https://www.processon.com/diagrams' index_page = session.get(url=index_url).text print(index_page)把cookie保存在本地，并判断用户是否已经登录。 import requests from http import cookiejar # 创建一个session,作用会自动保存cookie session = requests.session() # 指定cookie保存的路径 session.cookies = cookiejar.LWPCookieJar(filename="cookies.txt") try: session.cookies.load(ignore_discard=True) # 加载cookie文件，ignore_discard = True,即使cookie被抛弃，也要保存下来 except: print('cookie未能加载') def login_save_cookie(): """ 登录并保存cookie到本地 :return: """ url = 'https://www.processon.com/login' login_email = '*****@qq.com' login_password = '****1391' data = { 'login_email': login_email, 'login_password': login_password } # 使用session发起post请求来获取登录后的cookie,cookie已经存在session中 response = session.post(url=url, data=data) # 把cookie保存到文件中 session.cookies.save() def read_cookie(): """ 读取cookie进入登录后的页面 :return: """ index_url = 'https://www.processon.com/diagrams' index_page = session.get(url=index_url).text print(index_page) def login_y_n(): """ 判断用户是否已经登录，我们这里使用的方法是：随便找一个登陆后页面的url，如果我们访问它时不发生重定向，我们就可以 判断该用户应经登录了 :return: """ url = 'https://www.processon.com/diagrams/new#template' response = session.get(url = url,allow_redirects=False) # allow_redirects =False不允许重定向到登录页面 if response != 200: return False else: return True read_cookie()
方法二：使用selenium获取cookies from selenium import webdriver import json browser = webdriver.Chrome(executable_path=r"E:\chromedriver_win32_2.46\chromedriver.exe") def get_cookies(): """ 通过selenium获取cookie保存在文件中 :return: """ url = 'https://www.processon.com/login' browser.get(url=url) browser.find_element_by_id('login_email').send_keys('[email protected]') browser.find_element_by_id('login_password').send_keys('ZZZ05382881391') browser.find_element_by_id('signin_btn').click() # 获取cookie，这里得到的是一个列表 cookies_list = browser.get_cookies() browser.close() with open("cookies.txt", "w") as fp: json.dump(cookies_list, fp) # 这里切记，如果我们要使用json.load读取数据，那么一定要使用json.dump来写入数据， # 不能使用str(cookies)直接转为字符串进行保存，因为其存储格式不同。这样我们就将cookies保存在文件中了。 def read_cookie(): """ 读取cookie,添加到browser中 :return: """ url = 'https://www.processon.com/diagrams' browser.get(url=url) # 这里必须先访问一次否则页面不能打开 with open('./cookies.txt','r') as fp: cookies_list = json.load(fp) for cookies in cookies_list: browser.add_cookie(cookies) browser.get(url) read_cookie()注意：用selenium来获取的cookie是一个列表，列表中有很多字典，字典中有domain、expiry、name、value、path等key，但是在我们真正的浏览器中就只有一个字典，字典中只有name 键对应的值和value对应的值，所以在使用的时候还需要转换一下： [{"domain": ".processon.com", "expiry": 1560351255.689168, "httpOnly": false, "name": "_sid", "path": "/", "secure": false, "value": "796afe66ce2a6002828ab3ca281f96fb"}, {"domain": ".processon.com", "httpOnly": true, "name": "JSESSIONID", "path": "/", "secure": false, "value": "EBDACE1BDAB1464A2CCBBFFB7048A238.jvm1"}, {"domain": ".processon.com", "expiry": 1586703257, "httpOnly": false, "name": "zg_did", "path": "/", "secure": false, "value": "%7B%22did%22%3A%20%2216a173113351bb-062c441b2e33b7-7a1437-144000-16a173113362e%22%7D"}, {"domain": ".processon.com", "expiry": 1560351255.689117, "httpOnly": false, "name": "processon_userKey", "path": "/", "secure": false, "value": "59f7fba9e4b0edf0e25cd413"}, {"domain": ".processon.com", "expiry": 1555167313, "httpOnly": false, "name": "_gat", "path": "/", "secure": false, "value": "1"}, {"domain": ".processon.com", "expiry": 1555253657, "httpOnly": false, "name": "_gid", "path": "/", "secure": false, "value": "GA1.2.1345294219.1555167253"}, {"domain": ".processon.com", "expiry": 1618239257, "httpOnly": false, "name": "_ga", "path": "/", "secure": false, "value": "GA1.2.555498451.1555167253"}, {"domain": ".processon.com", "expiry": 1586703257, "httpOnly": false, "name": "zg_3f37ba50e54f4374b9af5be6d12b208f", "path": "/", "secure": false, "value": "%7B%22sid%22%3A%201555167253312%2C%22updated%22%3A%201555167257424%2C%22info%22%3A%201555167253326%2C%22superProperty%22%3A%20%22%7B%7D%22%2C%22platform%22%3A%20%22%7B%7D%22%2C%22utm%22%3A%20%22%7B%7D%22%2C%22referrerDomain%22%3A%20%22%22%2C%22cuid%22%3A%20%2259f7fba9e4b0edf0e25cd413%22%7D"}]Cookie: zg_did=%7B%22did%22%3A%20%2216a16fc24ab1e7-08f589794c6e4d-7a1437-144000-16a16fc24ac76a%22%7D; _ga=GA1.2.1095343087.1555163784; _gid=GA1.2.545489346.1555163784; processon_userKey=59f7fba9e4b0edf0e25cd413; _sid=796afe66ce2a6002828ab3ca281f96fb; zg_3f37ba50e54f4374b9af5be6d12b208f=%7B%22sid%22%3A%201555163784372%2C%22updated%22%3A%201555165807015%2C%22info%22%3A%201555163784376%2C%22superProperty%22%3A%20%22%7B%7D%22%2C%22platform%22%3A%20%22%7B%7D%22%2C%22utm%22%3A%20%22%7B%7D%22%2C%22referrerDomain%22%3A%20%22%22%2C%22cuid%22%3A%20%2259f7fba9e4b0edf0e25cd413%22%7D; JSESSIONID=685AABAF6B8D70AF25E501C7E9E67A32.jvm1
参考链接：https://www.cnblogs.com/amou/p/9136925.html https://blog.csdn.net/eye_water/article/details/78484217 https://blog.csdn.net/eye_water/article/details/78585394 https://www.cnblogs.com/sticker0726/articles/10703682.html
|
【本文地址】
今日新闻 |
推荐新闻 |