1、 爬虫中使用cookie
为了能够通过爬虫获取到登录后的页面,或者是解决通过cookie的反扒,需要使用request来处理cookie相关的请求
1.1 爬虫中使用cookie的利弊
(1)带上cookie的好处
-
能够访问登录后的页面
-
能够实现部分反反爬
(2)带上cookie的坏处 -
一套cookie往往对应的是一个用户的信息,请求太频繁有更大的可能性被对方识别为爬虫
那么上面的问题如何解决 ?使用多个账号
1.2 requests处理cookie的方法
使用requests处理cookie有三种方法:
- cookie字符串放在headers中
- 把cookie字典放传给请求方法的cookies参数接收
- 使用requests提供的session模块
2 cookie添加在heades中
2.1 headers中cookie的位置
headers中的cookie:
- 使用分号(;)隔开
- 分号两边的类似a=b形式的表示一条cookie
- a=b中,a表示键(name),b表示值(value)
- 在headers中仅仅使用了cookie的name和value
2.2 cookie的具体组成的字段
由于headers中对cookie仅仅使用它的name和value,所以在代码中我们仅仅需要cookie的name和value即可
2.3 在headers中使用cookie
复制浏览器中的cookie到代码中使用
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36","Cookie":" Pycharm-26c2d973=dbb9b300-2483-478f-9f5a-16ca4580177e;Hm_lvt_98b9d8c2fd6608d564bf2ac2ae642948=1512607763; Pycharm-26c2d974=f645329f-338e-486c-82c2-29e2a0205c74;_xsrf=2|d1a3d8ea|c5b07851cbce048bd5453846445de19d|1522379036"}
requests.get(url,headers=headers)
githup通过headers携带cookie获取登陆页面
import requests
url = 'https://github.com/zhangyoufu163'
headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36",
"Cookie": "_ga=GA1.2.706448449.1543284036; _octo=GH1.1.797238050.1543284037; has_recent_activity=1; _gat=1; tz=Asia%2FShanghai; user_session=tkdv8BXWuBJX0Y3cXl728eLKa0NDINmjd1F2T1AtkiuLJSgC; __Host-user_session_same_site=tkdv8BXWuBJX0Y3cXl728eLKa0NDINmjd1F2T1AtkiuLJSgC; logged_in=yes; dotcom_user=zhangyoufu163; _gh_sess=Q2srQkZQZXBDREhSbzRHNUVGaHMvZmxjSlBTR2c0Znk4T2t4dWV1TWQ4RDVCTml0N3BicVdBZ2tTR1grTkhiV2x0WXBXVTM0YVhheU02MXg1NE5WOThNZGpPRmdGUEJ1K29UT25oalZUMmlNWVNpdTFtdnNOMW9iSUR2dlBJVUU5Sk1rbllORy9HMWc5bUdPMTl5ODJNZmVSNXZtaFp4enc5bXJkM3FIbGZmQnhCL2tOM3VnR004RmI4TEV2eUVuLS1JZHlkZFNPTjl3VDJEeFlTbzl1aHlBPT0%3D--9f982831874aac63d39c920d29cdc256364f550a"
}
response = requests.get(url, headers= headers)
print(response.text)
"""
登录成功的状态
<title>zhangyoufu163</title>
"""
注意:
cookie有过期时间 ,所以直接复制浏览器中的cookie可能意味着下一程序继续运行的时候需要替换代码中的cookie,对应的我们也可以通过一个程序专门来获取cookie供其他程序使用;当然也有很多网站的cookie过期时间很长,这种情况下,直接复制cookie来使用更加简单
3 使用cookies参数接收字典形式的cookie
cookies的形式:字典
cookies = {"cookie的name":"cookie的value"}
使用方法:
requests.get(url,headers=headers,cookies=cookie_dict}
githup通过cookies参数携带cookie获取登陆后的页面
import requests
url = 'https://github.com/zhangyoufu163'
headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36",
}
cookie_str = "_ga=GA1.2.706448449.1543284036; _octo=GH1.1.797238050.1543284037; has_recent_activity=1; _gat=1; tz=Asia%2FShanghai; user_session=tkdv8BXWuBJX0Y3cXl728eLKa0NDINmjd1F2T1AtkiuLJSgC; __Host-user_session_same_site=tkdv8BXWuBJX0Y3cXl728eLKa0NDINmjd1F2T1AtkiuLJSgC; logged_in=yes; dotcom_user=zhangyoufu163; _gh_sess=Q2srQkZQZXBDREhSbzRHNUVGaHMvZmxjSlBTR2c0Znk4T2t4dWV1TWQ4RDVCTml0N3BicVdBZ2tTR1grTkhiV2x0WXBXVTM0YVhheU02MXg1NE5WOThNZGpPRmdGUEJ1K29UT25oalZUMmlNWVNpdTFtdnNOMW9iSUR2dlBJVUU5Sk1rbllORy9HMWc5bUdPMTl5ODJNZmVSNXZtaFp4enc5bXJkM3FIbGZmQnhCL2tOM3VnR004RmI4TEV2eUVuLS1JZHlkZFNPTjl3VDJEeFlTbzl1aHlBPT0%3D--9f982831874aac63d39c920d29cdc256364f550a"
cookie_dict = {
list.split("=")[0]:list.split("=")[1] for list in cookie_str.split(";")
}
response = requests.get(url, headers= headers,cookies = cookie_dict)
print(response.text)
"""
登录成功的状态
<title>zhangyoufu163</title>
"""
4 使用requests.session处理cookie
前面使用手动的方式使用cookie,那么有没有更好的方法在requets中处理cookie呢?
requests 提供了一个叫做session类,来实现客户端和服务端的会话保持
import re
import requests
session = requests.session()
# get请求login页面
url = 'https://github.com/login'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
}
response = session.get(url, headers = headers)
# 获取 authenticity_token
authenticity_token = re.search('name="authenticity_token" value="(.*?)" />', response.text).group(1)
print(authenticity_token)
# 构造请求体参数
data = {
'commit': 'Sign in',
'utf8': '✓',
'authenticity_token': authenticity_token,
'login': 'zhangyoufu163',
'password':'zhangyoufu17835395081'
}
# 登录界面session
url1 = 'https://github.com/session'
session.post(url=url1, headers=headers, data=data)
# 登录自动携带cookie进入登陆后的页面
url2 = 'https://github.com/zhangyoufu163'
resp = session.get(url=url2, headers=headers)
print(resp.text)
会话保持有两个内涵:
- 保存cookie,下一次请求会带上前一次的cookie
- 实现和服务端的长连接,加快请求速度
4.1 使用方法
session = requests.session()
response = session.get(url,headers)
session实例在请求了一个网站后,对方服务器设置在本地的cookie会保存在session中,下一次再使用session请求对方服务器的时候,会带上前一次的cooki。
4.2 动手练习:
动手尝试使用session来登录人人网: http://www.renren.com/PLogin.do (先不考虑这个url地址从何而来),请求体的格式:{“email”:“username”, “password”:“password”}
思路分析
- 准备url地址和请求参数
- 构造session发送post请求
- 使用session请求个人主页,观察是否请求成功