本节内容
在访问网站的时候，我们经常遇到有些页面必须用户登录才能访问。这个时候我们之前写的傻傻的爬虫就被ban在门外了。所以本节，我们给爬虫配置cookie，使得爬虫能保持用户已登录的状态，达到获得那些需登录才能访问的页面的目的。
由于本节只是单纯的想保持一下登陆状态，所以就不写复杂的获取页面了，还是像本教程的第一部分一样，下载个网站主页验证一下就ok了。本节github戳此处。
原理
一般情况下，网站通过存放在客户端的一个被称作cookie的小文件来存放用户的登陆信息。在浏览器访问网站的时候，会把这个小文件发往服务器，然后服务器根据这个小文件确定你的身份，然后返回给你特定的信息。
我们要做的就是尽量模拟浏览器的行为，在使用爬虫访问网站时也带上cookie来访问。
前提
前提当然是你有个账号了，目前本教程一直使用的论坛心韵论坛是我本人搭建的，已经被各种爬虫发的广告水的不要不要的了，为了本教程，仍然是开放注册并一直开着服。但不保证会一直开着，不过根据本教程的讲解，爬取别的Discuz框架论坛一般是没问题的。扯远了……
获取cookie
按照以下步骤操作
- 登陆论坛，进入主页
- 按F12进入Chrome或Firefox的开发者调试工具，选择Network选项卡
- 按F5刷新一下页面
- 选择Doc子选项卡
- 找到主页的请求和返回情况
- 找到Request Headers
- 复制出cookie
如图：
把cookie转化格式
在scrapy中，设置cookie需要是字典格式的，可是我们从浏览器Copy出来的是字符串格式的，所以我们需要写个小程序来转化一下
transCookie.py
# -*- coding: utf-8 -*- class transCookie: def __init__(self, cookie): self.cookie = cookie def stringToDict(self): ''' 将从浏览器上Copy来的cookie字符串转化为Scrapy能使用的Dict :return: ''' itemDict = {} items = self.cookie.split(';') for item in items: key = item.split('=')[0].replace(' ', '') value = item.split('=')[1] itemDict[key] = value return itemDict if __name__ == "__main__": cookie = "你复制出的cookie" trans = transCookie(cookie) print trans.stringToDict()运行的效果如图
然后把这个字典复制出来。
给scrapy配置cookie
首先把刚才得到的cookie放到settings.py里
settings.py
# -*- coding: utf-8 -*- BOT_NAME = 'heartsong' SPIDER_MODULES = ['heartsong.spiders'] NEWSPIDER_MODULE = 'heartsong.spiders' ROBOTSTXT_OBEY = False # 不遵守Robot协议 # 使用transCookie.py翻译出的Cookie字典 COOKIE = {'key1': 'value1', 'key2': 'value2'}然后编写爬虫文件
heartsong_spider.py
# -*- coding: utf-8 -*- # import scrapy # 可以用这句代替下面三句，但不推荐 from scrapy.spiders import Spider from scrapy import Request from scrapy.conf import settings class HeartsongSpider(Spider): name = "heartsong" allowed_domains = ["heartsong.top"] # 允许爬取的域名，非此域名的网页不会爬取 start_urls = [ # 主页，此例只下载主页，看是否有登录信息 "http://www.heartsong.top/forum.php" ] cookie = settings['COOKIE'] # 带着Cookie向网页发请求 # 发送给服务器的http头信息，有的网站需要伪装出浏览器头进行爬取，有的则不需要 headers = { 'Connection': 'keep - alive', # 保持链接状态 'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36' } # 对请求的返回进行处理的配置 meta = { 'dont_redirect': True, # 禁止网页重定向 'handle_httpstatus_list': [301, 302] # 对哪些异常返回进行处理 } # 爬虫的起点 def start_requests(self): # 带着cookie向网站服务器发请求，表明我们是一个已登录的用户 yield Request(self.start_urls[0], callback=self.parse, cookies=self.cookie, headers=self.headers, meta=self.meta) # Request请求的默认回调函数 def parse(self, response): with open("check.html", "wb") as f: f.write(response.body) # 把下载的网页存入文件总的来说一句话，就是带着cookie发起Request请求。
运行之后会将主页保存，我们打开文件查看一下效果
小结
本节介绍了cookie的获取方法和如何给scrapy设置cookie，下节我会介绍如果带着登陆状态去回复主题帖。
