Python爬虫系列之Session和cookie的使用

对于经常做数据采集的技术员来说，常常遇到采集的页面限制我们的访问，尤其在频繁刷新或者访问一个页面时会引起网站的一些列反爬措施。今天我们就来谈谈 Session 和 cookie 的在python爬虫中的相关知识。

cookie的基本知识想必大家做爬虫的都很清楚，关于Session这里可以好好的解释下，Session最简单的理解就是会话，主要作用就是用来记录一个用户在目标网站上的一些行为、一些状态，而这些用户状态可以利用Cookie中的Session ID来标识。

cookie和Session一般会在网站的反爬中应用中比较常见。

在访问某些网站的时候，是需要先进行登录才能进行下一步操作的。如果利用爬虫程序模拟人登陆的行为，主要有以下三种：

1、 爬虫代码里通过request.post里的参数data中，有自己的登录的账号信息。

2、访问页面的时候，从header是中找到cookie并复制，写到python脚本里的headers中，但是在使用过程中cookie的时效性也是需要考虑的。

3、通过session方法，是比较推荐的一种方式，比如python使用Keep-Alive保持相同代理IP进行采集,并进行状态判断,失败后重新发起。

代码如下：

#! -- encoding:utf-8 -- import requests import requests.adapters import time # 导入time模块，用于等待

#要访问的目标页面
targetUrlList = [ “https://httpbin.org/ip”, “https://httpbin.org/headers”, “https://httpbin.org/user-agent”, ]

#爬虫ip服务器(测试链接 http://jshk.com.cn/mb/reg.asp?kefu=xjy)
proxyHost = “http://jshk.com.cn” proxyPort = “30008”

#爬虫ip验证信息
proxyUser = “huake” proxyPass = “hk123” proxyMeta = f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"

#设置 http和https访问都是用爬虫ip
proxies = { “http”: proxyMeta, “https”: proxyMeta, }

#设置爬虫ip和重试策略
adapter = requests.adapters.HTTPAdapter( proxy=proxies, max_retries=3 )

#访问三次网站，使用相同的Session(keep-alive)，均能够保持相同的外网IP
with requests.session() as s: # 设置cookie # cookie_dict = {“JSESSION”:“123456789”} # cookies = requests.utils.cookiejar_from_dict(cookie_dict, cookiejar=None, overwrite=True) # s.cookies = cookies

# 为session设置代理和重试策略
s.mount("http://", adapter)
s.mount("https://", adapter)

for i in range(3):
    for j, url in enumerate(targetUrlList):
        r = s.get(url)
        # 判断状态码是否为200，如果不是，等待1秒后重试
        while r.status_code != 200: # 添加循环条件
            print(f"第{i+1}次访问第{j+1}个网站的状态码为{r.status_code}，等待1秒后重试")
            time.sleep(1) # 等待1秒
            r = s.get(url) # 重新发起请求
        print(f"第{i+1}次访问第{j+1}个网站的结果：")
        print(r.text)