前言：有些页面的信息在爬虫时需要登录才能查看。打开网页登录后，在客户端生成了Cookies，在Cookies中保存了SessionID的信息，登录后的请求都会携带生成后的Cookies发送给服务器。服务器根据Cookies判断出对应的SessionID，进而找到会话。如果当前会话有效，服务器就判断用户当前已登录，返回请求的页面信息，这样就可以看到登录后的页面。
这里主要是获取登录后Cookies。要获取Cookies可以手动在浏览器输入用户名和密码后，再把Cookies复制出来，这样做就增加了人工工作量，爬虫的目的是自动化，需要用程序来完成这个过程，也就是用程序来模拟登录。下面来了解模拟登录相关方法及如何维护一个Cookies池。
一、 模拟登录并爬取GitHub
模拟登录的原理在于登录后Cookies的维护。
了解模拟登录GitHub的过程，同时爬取登录后才可以访问的页面信息，如好友动态、个人信息等内容。
需要使用到的库有：requests和 lxml 库。
1、 分析登录过程
打开GitHub的登录页面https://github.com/login，输入用户名和密码，打开开发者工具，勾选Preserve Log选项，这表示显示持续日志。点击登录按钮，就会在开发者工具下方显示各个请求过程。点击第一个请求（session），进入其详情页面，如图1-1所示。
图1-1 session请求详情面
从图上可看到请求的URL是 https://github.com/session，请求方式为POST。继续往下看，可以观察到它的Request Headers和Form Data 这两部分内容。如图1-2所示。
图1-2 Request Headers和Form Data详情页面
Headers里面包含了 Cookies、Host、Origin、Referer、User-Agent等信息。Form Data包含了6个字段，commit 是固定的字符串Sign in，utf8 是一个勾选字符，authenticity_token 较长，初步判断是一个Base64加密的字符串，login是登录的用户名，password是登录的密码，webauthn-support是页面认证，默认是supported。
由上可知，现在不能构造的内容有 Cookies和 authenticity_token。下面继续看下这两部分内容如何获取。在登录前访问的是登录页面，该页面是以GET形式访问的。输入用户名和密码，点击登录按钮，浏览器发送这两部分信息，也就是说Cookies和 authenticity_token一定是在访问登录页面时候设置的。
再次退出登录，清空Cookies，回到登录页。重新登录，截获发生的请求，如图1-3所示。
图1-3 截获的请求
在截获的请求中，Response Headers有一个 Set-Cookie 字段。这就是设置 Cookies 的过程。另外，在Response Headers中没有和authenticity_token相关的信息，这个 authenticity_token 可能隐藏在其他地方或者计算出来的。不过在网页的源代码中，搜索 authenticity_token 相关的字段，发现了源代码里面隐藏着此信息，是由一个隐藏式表单元素。如图1-4所示。
图1-4 表单元素之authenticity_token
到此，已经获取到了所有信息，接下来实现模拟登录。
2、模拟登录代码实例
先来定义一个Login 类，初始化一些变量，代码如下所示：
1 import requests 2 from lxml import etree 3 class Login(): 4 """登录类，初始化一些变量"""
5 def __init__(self): 6 self.headers = { 7 'Referer': 'https://github.com/login', 8 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36', 9 'Host': 'github.com', 10 } 11 self.login_url = 'https://github.com/login'
12 self.post_url = 'https://github.com/session'
13 self.logined_url = 'https://github.com/settings/profile' # 登录成功后的页面
14 self.session = requests.Session()
这段代码中最重要的一个变量是requests库的 Session，它可以维持一个会话，而且可以自动处理 Cookies，不用担心 Cookies的问题。接下来，访问登录页面还要完成两件事，一是通过登录页面获取初始的 Cookies，二是提取出 authenticity_token。下面实现一个token()方法，代码如下所示：
1 def token(self): 2 response = self.session.get(self.login_url, headers=self.headers) 3 selector = etree.HTML(response.text) 4 token = selector.xpath('//div//input[2]/@value') # 注意获取到的是一个列表类型
5 return token
这里用Session对象的 get() 方法访问GitHub的登录页面，接着用XPath解析出登录所需的 authenticity_token 信息并返回。现在已经获取初始的 Cookies和authenticity_token，下面开始模拟登录，实现一个 login() 方法，代码如下所示：
1 def login(self, email, password): 2 post_data = { 3 'commit': 'Sign in', 4 'utf8': '✓', 5 'authenticity_token': self.token()[0], 6 'login': email, 7 'password': password, 8 'webauthn-support': 'supported'
9 } 10 response = self.session.post(self.post_url, data=post_data, headers=self.headers) 11 if response.status_code == 200: 12 self.dynamics(response.text) 13
14 response = self.session.get(self.logined_url, headers=self.headers) 15 if response.status_code == 200: 16 self.profile(response.text)
这里先构造一个表单，复制各个字段，其中email和password是以变量的形式传递。然后再用Session对象的post()方法模拟登录即可。由于 requests 自动处理了重定向信息，登录成功后就可直接跳转到首页，首页有显示所关注人的动态信息，得到响应后调用dynamics()方法对其进行处理。接下来再用Session对象请求个人详情页，调用profile()方法处理个人详情页信息。其中，dynamics()和profile()方法的实现如下所示：
1 def dynamics(self, html): 2 """处理登录成功后的页面，即主页面内容"""
3 # 页面已经发生跳转，该段代码的输出为空
4 selector = etree.HTML(html) 5 print(html) 6 dynamics = selector.xpath('//div[contains(@class, "news")]//div[contains(@class, "Box")]') 7 for item in dynamics: 8 dynamic = ' '.join(item.xpath('.//div[@class="title"]//text()')).strip() 9 print(dynamic) 10
11 def profile(self, html): 12 """处理登录成功后的 profile 页面"""
13 selector = etree.HTML(html) 14 # 下面获取到的每一项数据都是列表
15 name = selector.xpath('//input[@id="user_profile_name"]/@value') 16 url = selector.xpath('//input[@id="user_profile_blog"]/@value') 17 company = selector.xpath('//input[@id="user_profile_company"]/@value') 18 location = selector.xpath('//input[@id="user_profile_location"]/@value') 19 email = selector.xpath('//select[@id="user_profile_email"]/option[@value!=""]/text()') 20 print(name, email, url, company, location) 21
22 if __name__ == '__main__': 23 login = Login() 24 login.login(email='email or username', password='password')
这里用XPath对信息进行提取，在dynamics()方法里，提取所有的动态信息并输出（网址已发生跳转，输出为空）。在profile()里，提取个人信息并将其输出。现在完成了整个类的编写，在最后面的if代码块中，先创建Login类对象，然后运行程序，通过调用login()方法传入用户名和密码，成功实现了模拟登录，并且成功输出用户个人信息。
利用requests的Session实现模拟登录操作，最重要的是分析思路，只要各个参数都成功获取，模拟登录就没有问题。登录成功后，就相当于建立一个 Session会话，Session对象维护着Cookies的信息，直接请求就会得到模拟登录成功后的页面。
二、 Cookies池的搭建
不登录直接爬取网站内容可能有下面的限制：
（1）、设置了登录限制的页面不能爬取。如某些论坛设置了登录可查看资源，一些博客设置了登录才可查看全文等。
（2）、有的页面请求过于频繁，访问容易被限制或者IP被封，但是登录后不会出现这些问题。因此登录后被反爬的可能性低。
例如新浪财经官方微博的Ajax接口 https://m.weibo.cn/api/container/getIndex?uid=1804544030&type=uid&page=1&containerid=1076031804544030，这个网站用浏览器直接访问返回JSON格式信息，直接解析JSON即可提取信息。这个接口在没有登录的情况下会有请求频率检测。一段时间内请求过于频繁，请求就会被限制并提示请求过于频繁。
重新打开浏览器窗口，打开 https://passport.weibo.cn/signin/login?entry=mweibo&r=https://m.weibo.cn/，登录微博账号后重新打开这API接口连接可以正常显示。但是登录后一直用同一个账号频繁请求，也会有可能被封号。所在在大规模抓取，就要拥有很多账号，每次请求随机选择一个账号，这样降低单个账号的访问频率，来降低被封的概率。要维护多个账号的登录信息，就要用到Cookies池。下面就Cookies池的搭建做一些了解。
以新浪微博为例实现一个Cookies池的搭建过程。Cookies池中保存了许多微博账号和登录后的Cookies信息，并且Cookies池还需要定时检测每个Cookies的有效性，如果Cookies无效，就删除该Cookies并模拟登录生成的Cookies。同时Cookies池还需要一个重要的接口，即获取随机Cookies的接口，Cookies运行后，只要请求该接口，即可随机获得一个Cookies并用其爬取。由此可知，Cookies池需要自动生成Cookies、定时检测Cookies、提供随机Cookies等功能。
基本要求：Redis数据库正常运行。Python的redis-py、requests、Selelnium和Flask库。以及Chrome浏览器的安装并配置 ChromeDriver。
1、Cookies池架构
Cookies池架构的基本模块分为4块：存储模块、生成模块、检测模块和接口模块。每个模块功能如下：
（1）、存储模块负责存储每个账号的用户名密码以及每个账号对应的Cookies信息，同时还需要提供一些方法来实现方便的存取操作。
（2）、生成模块可生成新的Cookies。从存储模块获取账号的用户名和密码，然后模拟登录目标页面，判断登录成功，就将Cookies返回并交给存储模块存储。
（3）、检测模块定时检测数据库中的Cookies。可设置一个检测连接，不同的站点检测连接不同，检测模块会逐个获取账号对应的Cookies去请求链接，如果返回的状态是有效的，此Cookies就没有失效，否则Cookies失效并移除。接下来等待生成模块重新生成。
（4）、接口模块用API对外提供服务接口。可用的Cookies有多个，可随机返回Cookies的接口，这样保证每个Cookies都有可能被取到。Cookies越多，每个Cookies被取到的概率越小，封号的风险也越小。
2、Cookies 池的实现
对各个模块的实现过程做一些了解。
（1）、存储模块
存储的内容有账号信息和Cookies信息。账号由用户名和密码组成，将用户名和密码在数据库中存储成映射关系。Cookies存成JSON字符串，并且要对应用户名信息，实际也是用户名和Cookies的映射。可以用Redis的Hash结构，需要建立两个Hash结构，用户名和密码Hash，用户名和Cookies的Hash。
Hash的Key对应账号，Value对应密码或者Cookies。还要注意的是，Cookies池要做到可扩展，也就是存储的账号和Cookies不一定只有新浪微博的，其他站点同样可以对接此Cookies池，所以对Hash的名称做二级分类，如存微博账号的Hash名称可以是 accounts:weibo，Cookies的名称可以是 cookies:weibo。如果要扩展知乎的Cookies池，可使用 accounts:zhihu和 cookies:zhihu。
下面代码创建一个存储模块类，用以提供一些Hash的基本操作，代码如下：
首先将一些基本配置放在一个config.py文件，避免各个模块的代码杂乱，config.py 文件的代码如下：
1 # Redis 数据库地址
2 REDIS_HOST = '192.168.64.50'
3
4 # Redis 端口
5 REDIS_PORT = 6379
6
7 # Redis密码，无密码就为 None
8 REDIS_PASSWORD = None 9
10 # 产生器使用的浏览器
11 BROWSER_TYPE = 'Chrome'
12
13 # 产生器类，如要扩展其他站点，就在这里配置
14 GENERATOR_MAP = { 15 'weibo': 'WeiboCookiesGenerator', 16 } 17
18 # 测试类，如要扩展其他站点，就在这里配置
19 TESTER_MAP = { 20 'weibo': 'WeiboValidTester', 21 } 22
23 TEST_URL_MAP = { 24 'weibo': 'https://m.weibo.cn/api/container/getIndex?uid=1804544030&type=uid&page=1&containerid=1076031804544030', 25 } 26
27 # 产生器和验证器循环周期
28 CYCLE = 120
29
30 # API地址和端口
31 API_HOST = '0.0.0.0'
32 API_PORT = 5000
33
34 # 产生器开关，模拟登录添加Cookies
35 GENERATOR_PROCESS = False 36 # 验证器开关，循环检测数据库中Cookies是否可用，不可用删除
37 VALID_PROCESS = False 38 # API接口服务
39 API_PROCESS = True
下面是存储模块的代码，代码如下所示：
1 import random 2 import redis 3 from cookiespool.config import *
4
5 class RedisClient(): 6 def __init__(self, type, website, host=REDIS_HOST, port=REDIS_PORT, password=REDIS_PASSWORD): 7 """
8 初始化Redis连接 9 :param type: 10 :param website: 11 :param host: 地址 12 :param port: 端口 13 :param password: 密码 14 """
15 self.db = redis.StrictRedis(host=host, port=port, password=password, decode_responses=True) 16 self.type = type 17 self.website = website 18
19 def name(self): 20 """
21 获取Hash的名称 22 :return: Hash名称 23 """
24 return "{type}:{website}".format(type=self.type, website=self.website) 25
26 def set(self, username, value): 27 """
28 设置键值对 29 :param username: 用户名 30 :param value: 密码或Cookies 31 :return: 32 """
33 return self.db.hset(self.name(), username, value) 34
35 def get(self, username): 36 """
37 根据键名获取键值 38 :param username: 用户名 39 :return: 40 """
41 return self.db.hget(self.name(), username) 42
43 def delete(self, username): 44 """
45 根据键名删除键值对 46 :param username: 用户名 47 :return: 删除结果 48 """
49 return self.db.hdel(self.name(), username) 50
51 def count(self): 52 """
53 获取数目 54 :return: 数目 55 """
56 return self.db.hlen(self.name()) 57
58 def random(self): 59 """
60 随机得到键值，用于随机Cookies获取 61 :return: 随机Cookies 62 """
63 return random.choice(self.db.hvals(self.name())) 64
65 def username(self): 66 """
67 获取所有账户信息 68 :return: 所有用户名 69 """
70 return self.db.hkeys(self.name()) 71
72 def all(self): 73 """
74 获取所有键值对 75 :return: 用户名和密码或Cookies的映射表 76 """
77 return self.db.hgetall(self.name()) 78
79
80 if __name__ == '__main__': 81 conn = RedisClient('accounts', 'weibo') 82 result = conn.set('michael', 'python') 83 print(result)
首先创建RedisClient类，初始化__init__()方法的两个关键参数type和website，分别代表类型和站点名称，这是用来拼接Hash名称的两个字段。例如存储账户的Hash，type是accounts、website是webo，如果是存储Cookies的Hash，那么type是cookies、website是weibo。后面的几个字段代表了Redis连接的初始化信息，初始化StrictRedis对象，建立Redis连接。
name()方法用于拼接type和website，组成Hash名称。set()、get()、delete()分别是设置、获取、删除Hash的某一个键值对，count()获取Hash的长度。
random()方法用于从Hash里随机选取一个Cookies并返回。每调用一次random()方法，就获得随机的Cookies，该方法与接口模块对接用来实现获取随机Cookies。
（2）、生成模块
生成模块负责获取各个账号信息并模拟登录，随后生成Cookies并保存。首先获取两个Hash的信息，对比账户的Hash与Cookies的Hash，看看哪些还没有生成Cookies的账号，然后将剩余账号遍历，再去生成Cookies即可。详细代码如下：
1 import time 2 from io import BytesIO 3 from PIL import Image 4 #from selenium import webdriver
5 from selenium.common.exceptions import TimeoutException 6 from selenium.webdriver import ActionChains 7 from selenium.webdriver.common.by import By 8 from selenium.webdriver.support.ui import WebDriverWait 9 from selenium.webdriver.support import expected_conditions as EC 10 from os import listdir 11 from os.path import abspath, dirname 12
13 TEMPLATER_FOLDER = dirname(abspath(__file__)) + '/templates/'
14
15 class WeiboCookies(): 16 def __init__(self, username, password, browser): 17 self.url = 'https://passport.weibo.cn/signin/login?entry=mweibo&r=https://m.weibo.cn/'
18 self.browser = browser 19 self.wait = WebDriverWait(self.browser, 20) 20 self.username = username 21 self.password = password 22
23 def open(self): 24 """
25 打开网页输入用户名密码并点击 26 :return: None 27 """
28 self.browser.delete_all_cookies() # 首先清除浏览器缓存的Cookies
29 self.browser.get(self.url) 30 username = self.wait.until(EC.presence_of_element_located((By.ID, 'loginName'))) 31 password = self.wait.until(EC.presence_of_element_located((By.ID, 'loginPassword'))) 32 submit = self.wait.until(EC.element_to_be_clickable((By.ID, 'loginAction'))) 33 username.send_keys(self.username) 34 password.send_keys(self.password) 35 time.sleep(1) 36 submit.click() 37
38 def password_error(self): 39 """
40 判断是否密码错误 41 :return: 42 """
43 try: 44 return WebDriverWait(self.browser, 5).until( 45 EC.text_to_be_present_in_element((By.ID, 'errorMsg'), '用户名或密码错误') 46 ) 47 except TimeoutException: 48 return False 49
50 def login_successfully(self): 51 """
52 判断是否登录成功 53 :return: 54 """
55 try: 56 return bool( 57 WebDriverWait(self.browser, 5).until(EC.presence_of_element_located((By.CLASS_NAME, 'lite-iconf-profile')))) 58 except TimeoutException: 59 return False 60
61 def get_position(self): 62 """
63 获取验证码位置 64 :return: 验证码位置元组 65 """
66 try: 67 img = self.wait.until(EC.presence_of_element_located((By.CLASS_NAME, 'patt-shadow'))) 68 except TimeoutException: 69 print('未出现验证码') 70 self.open() 71 time.sleep(2) 72 location = img.location 73 size = img.size 74 top, bottom, left, right =location['y'], location['y'] + size['height'], location['x'], location['x'] + size['width'] 75 return (top, bottom, left, right) 76
77 def get_screenshot(self): 78 """
79 获取网页截图 80 :return: 截图对象 81 """
82 screenshot = self.browser.get_screenshot_as_png() 83 screenshot = Image.open(BytesIO(screenshot)) 84 return screenshot 85
86 def get_image(self): 87 """
88 获取验证码图片 89 :return: 图片对象 90 """
91 top, bottom, left, right = self.get_position() 92 print('验证码位置', top, bottom, left, right) 93 screenshot = self.get_screenshot() 94 captcha = screenshot.crop((left, top, right, bottom)) 95 return captcha 96
97 def is_pixel_equal(self, image1, image2, x, y): 98 """
99 判断两个像素是否相同 100 :param image1: 图片1 101 :param image2: 图片2 102 :param x: 位置x 103 :param y: 位置y 104 :return: 像素是否相同 105 """
106 # 取两个图片的像素点
107 pixel1 = image1.load()[x, y] 108 pixel2 = image2.load()[x, y] 109 threshold = 20
110 if abs(pixel1[0] - pixel2[0]) < threshold and abs(pixel1[1] - pixel2[1]) < threshold and abs( 111 pixel1[2] - pixel2[2]) < threshold: 112 return True 113 else: 114 return False 115
116 def same_image(self, image, template): 117 """
118 识别相似验证码 119 :param image: 待识别的验证码 120 :param template: 模板 121 :return: 122 """
123 # 相似度阈值
124 threshold = 0.99
125 count = 0 126 for x in range(image.width): 127 for y in range(image.height): 128 # 判断像素是否相同
129 if self.is_pixel_equal(image, template, x, y): 130 count += 1
131 result = float(count) / (image.width * image.height) 132 if result > threshold: 133 print('成功匹配') 134 return True 135 return False 136
137 def detect_image(self, image): 138 """
139 匹配图片 140 :param image: 图片 141 :return: 手动顺序 142 """
143 for template_name in listdir(TEMPLATER_FOLDER): 144 print('正在匹配', template_name) 145 template = Image.open(TEMPLATER_FOLDER + template_name) 146 if self.same_image(image, template): 147 # 返回顺序
148 numbers = [int(number) for number in list(template_name.split('.')[0])] 149 print('拖动顺序', numbers) 150 return numbers 151
152 def move(self, numbers): 153 """
154 根据顺序拖动 155 :param numbers: 156 :return: 157 """
158 # 获得四个按点
159 try: 160 circles = self.browser.find_elements_by_css_selector('.patt-wrap .patt-circ') 161 dx = dy = 0 162 for index in range(4): 163 circle = circles[numbers[index] - 1] 164 # 如果是第一次循环
165 if index == 0: 166 # 点击第一个按点
167 ActionChains(self.browser) \ 168 .move_to_element_with_offset(circle, circle.size['width'] / 2, circle.size['height'] / 2) \ 169 .click_and_hold().perform() 170 else: 171 # 小幅移动次数
172 times = 30
173 # 拖动
174 for i in range(times): 175 ActionChains(self.browser).move_by_offset(dx / times, dy / times).perform() 176 time.sleep(1 / times) 177 # 如果是最后一次循环
178 if index == 3: 179 # 松开鼠标
180 ActionChains(self.browser).release().perform() 181 else: 182 # 计算下一次偏移
183 dx = circle[numbers[index + 1] - 1].location['x'] - circle.location['x'] 184 dy = circle[numbers[index + 1] - 1].location['y'] - circle.location['y'] 185 except: 186 return False 187
188 def get_cookies(self): 189 """
190 获取Cookies 191 :return: 192 """
193 return self.browser.get_cookies() 194
195 def main(self): 196 """
197 破解入口 198 :return: 199 """
200 self.open() 201 if self.password_error(): 202 return { 203 'status': 2, 204 'content': '用户名或密码错误'
205 } 206 # 如果不需验证码直接登录成功
207 if self.login_successfully(): 208 cookies = self.get_cookies() 209 return { 210 'status': 1, 211 'content': cookies 212 } 213 # 获取验证码图片
214 image = self.get_image() 215 numbers = self.detect_image(image) 216 self.move(numbers) 217 if self.login_successfully(): 218 cookies = self.get_cookies() # content键对应的值是列表，列表内是字典
219 return { 220 'status': 1, 221 'content': cookies 222 } 223 else: 224 return { 225 'status': 3, 226 'content': '登录失败'
227 } 228
229
230 if __name__ == '__main__': 231 browser = webdriver.Chrome() 232 result = WeiboCookies('qq_number@qq.com', 'password', browser).main() 233 print(result)
在 WeiboCookies 类中，首先对接了新浪微博的四宫格验证码。在main() 方法中，调用cookies的获取方法，并针对不同的情况返回不同的结果。返回结果类型是字典，并且附有状态码status，在生成模块中可以根据不同的状态码做不同的处理。例如状态码为1时，表示成功获取Cookies，只需将Cookies保存到数据库即可。状态码为2表示用户名和密码错误，这时就应该把当前数据库中存储的账号信息删除。如果状态码为3时，则表示登录失败，此时不能判断是否用户名或密码错误，也不能成功获取Cookies，这时可做一些提示，进行下一个处理即可，完整的实现代码如下所示：
1 import json 2 from selenium import webdriver 3 from selenium.webdriver import DesiredCapabilities 4 from cookiespool.config import *
5 from redisdb import RedisClient 6 from login.weibo.cookies import WeiboCookies 7
8
9 class CookiesGenerator(): 10 def __init__(self, website='default'): 11 """
12 父类，初始化一些对象 13 :param website: 名称 14 """
15 self.website = website 16 self.cookies_db = RedisClient('cookies', self.website) # 创建Redis数据库连接，参数是Redis的Hash键要用到的
17 self.accounts_db = RedisClient('accounts', self.website) 18 self.init_browser() 19
20 def __del__(self): 21 self.close() 22
23 def init_browser(self): 24 """
25 通过browser参数初始化全局浏览器供模拟登录使用 26 :return: 27 """
28 if BROWSER_TYPE == 'PhantomJS': 29 caps = DesiredCapabilities.PHANTOMJS 30 caps["phantomjs.page.settings.userAgent"] = \ 31 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
32 self.browser = webdriver.PhantomJS(desired_capabilities=caps) 33 self.browser.set_window_size(1300, 500) 34 elif BROWSER_TYPE == 'Chrome': 35 self.browser = webdriver.Chrome() 36
37 def new_cookies(self, username, password): 38 """
39 新生成Cookies，子类需要重写 40 :param username: 用户名 41 :param password: 密码 42 :return: 43 """
44 raise NotImplementedError 45
46 def process_cookies(self, cookies): 47 """
48 处理Cookies 49 :param cookies: 50 :return: 51 """
52 dict = {} 53 for cookie in cookies: 54 dict[cookie['name']] = cookie['value'] 55 return dict 56
57 def run(self): 58 """
59 运行，得到所有账户名，然后顺序模拟登录 60 :return: 61 """
62 accounts_usernames = self.accounts_db.usernames() 63 cookies_usernames = self.cookies_db.usernames() 64
65 for username in accounts_usernames: 66 if not username in cookies_usernames: 67 password = self.accounts_db.get(username) 68 print('正在生成Cookies', '账号', username, '密码', password) 69 result = self.new_cookies(username, password) 70 # 获取成功
71 if result.get('status') == 1: 72 cookies = self.process_cookies(result.get('content')) 73 print('成功获取到Cookies', cookies) 74 if self.cookies_db.set(username, json.dumps(cookies)): 75 print('成功保存Cookies') 76 # 密码错误，移除账号
77 elif result.get('status') == 2: 78 print(result.get('content')) 79 if self.accounts_db.delete(username): 80 print('成功删除账号') 81 else: 82 print(result.get('content')) 83 else: 84 print('所有账号都已经成功获取Cookies') 85
86 def close(self): 87 """
88 关闭 89 :return: 90 """
91 try: 92 print('Closing Browser') 93 self.browser.close() 94 del self.browser 95 except TypeError: 96 print('Browser not opened') 97
98
99 class WeiboCookiesGenerator(CookiesGenerator): 100 def __init__(self, website='weibo'): 101 """
102 初始化操作 103 :param website: 104 """
105 CookiesGenerator.__init__(self, website) 106 self.website = website 107
108 def new_cookies(self, username, password): 109 """
110 生成Cookies 111 :param username: 用户名 112 :param password: 密码 113 :return: 用户名和Cookies 114 """
115 # 调用了 login模块下的cookies.py文件中的 WeiboCookies，self.browser由父类提供
116 return WeiboCookies(username, password, self.browser).main() 117
118
119 if __name__ == '__main__': 120 generator = WeiboCookiesGenerator(website='https://passport.weibo.cn/signin/login?entry=mweibo&r=https://m.weibo.cn/') 121 generator.run()
要扩展其他站点，只要实现new_cookies() 方法即可，然后按此规则返回对应的模拟登录结果，如1代表获取成功，2代表用户名或密码错误。
3、 检测模块
Cookies时间太长导致失效，或者Cookies使用太频繁造成无法正常请求网页。有这样的Cookies需要及时清理或者替换。所以需要一个定时检测模块来遍历Cookies池中的所有Cookies，同时设置好对应的检测链接，用每个Cookies去请求这个链接。请求成功或者状态码合法，则该Cookies有效；请求失败，或者无法获取正常数据，如跳转到登录页面或者验证页面，则此Cookies无效，需要将该Cookies从数据库中移除。
移除Cookies后，前面的生成模块就会检测到Cookies的Hash和账号的Hash相比少了此账号的Cookies，生成模块就会认为这个账号还没有生成Cookies，就用此账号重新登录，此账号的Cookies又被重新更新。
检测模块主要作用是检测Cookies失效，将其从数据库中移除。要考虑通用可扩展性，首先定义一个检测器的父类，声明一些通用组件，代码如下所示：
1 import json 2 import requests 3 from requests.exceptions import ConnectionError 4 from redisdb import *
5
6 class ValidTester(): 7 def __init__(self, website='default'): 8 self.website = website 9 self.cookies_db = RedisClient('cookies', self.website) 10 self.accouts_db = RedisClient('account', self.website) 11
12 def test(self, username, cookies): 13 """为了便于扩展，该方法由子类来实现"""
14 raise NotImplementedError 15
16 def run(self): 17 cookies_groups = self.cookies_db.all() 18 for username, cookies in cookies_groups.items(): 19 self.test(username, cookies) # 调用 test 方法测试，子类提供 test 方法
20
21 class WeiboValidTester(ValidTester): 22 """测试微博，如果要测试其他网站，可创建相应的测试类，并且继承ValidTester类"""
23 def __init__(self, website='weibo'): 24 ValidTester.__init__(self, website) 25
26 def test(self, username, cookies): 27 print('正在测试Cookies', '用户名', username) 28 try: 29 cookies = json.loads(cookies) 30 except TypeError: 31 print('Cookies不合法', username) 32 self.cookies_db.delete(username) 33 print('删除Cookies', username) 34 return
35 # 如果上面的try代码块没有引发异常，就执行下面的try代码块
36 try: 37 test_url = TEST_URL_MAP[self.website] 38 response = requests.get(test_url, cookies=cookies, timeout=5, allow_redirects=False) 39 if response.status_code == 200: 40 print('Cookies有效', username) 41 else: 42 print(response.status_code, response.headers) 43 print('Cookies失效', username) 44 self.cookies_db.delete(username) 45 print('删除Cookies', username) 46 except ConnectionError as e: 47 print('发生异常', e.args) 48
49 if __name__ == '__main__': 50 WeiboValidTester().run()
这段代码中定义了一个父类ValidTester，在其__init__()方法中指定了站点名称website，另外建立两个存储模块连接对象cookies_db 和 accounts_db，分别负责操作Cookies 和账号的hash，run()方法是入口，这里遍历了所有的Cookies，然后调用test()方法进行测试，test()方法由子类来实现，每个子类负责各自不同的网站的检测。如检测微博的可定义为WeiboValidTester，实现其独有的 test() 方法来检测微博的Cookies是否合法，然后做相应的处理。WeiboValidTester类就是继承了ValidTester类的子类。
子类的test()方法首先将Cookies转化为字典，检测Cookies的格式，如果格式不正确，直接将其删除，如果没有格式问题，就拿此 Cookies请求被检测的URL。test()方法在这里检测的是微博，检测的URL可以是某个Ajax接口，为了实现可配置化，将测试URL也定义成字典，如下所示：
TEST_URL_MAP = {'weibo': 'https://m.weibo.cn/'}
要扩展（检测）其他站点，可统一在字典里添加。对微博来说，用Cookies去请求目标站点，同时禁止重定向和设置超时时间，得到响应后检测其返回状态码。返回的是200，则Cookies有效，如果遇到302跳转等情况，一般会跳转到登录页面，则 Cookies已失效，此时将失效的Cookies从Cookies的Hash里移除即可。
4、接口模块
生成模块和检测模块定时运行可完成Cookies实时检测和更新。但Cookies最终是给爬虫用的，同时一个Cookies池可供多个爬虫使用，所以需要定义一个Web接口，爬虫访问该接口就可获取随机的Cookies。这个接口用Flask来搭建，代码如下所示：
1 import json 2 from flask import Flask, g 3 from cookiespool.config import *
4 from redisdb import *
5
6 __all__ = ['app'] 7
8 app = Flask(__name__) 9
10 @app.route('/') 11 def index(): 12 return '<h2>Welcome to Cookie Pool System</h2>'
13
14
15 def get_conn(): 16 """
17 获取 18 :return: 19 """
20 for website in GENERATOR_MAP: 21 print(website) 22 if not hasattr(g, website): 23 setattr(g, website + '_cookies', eval('RedisClient' + '("cookies","' + website + '")')) 24 setattr(g, website + '_accounts', eval('RedisClient' + '("accounts", "' + website + '")')) 25 return g 26
27
28 @app.route('/<website>/random') 29 def random(website): 30 """
31 获取随机的Cookie，访问地址如 /weibo/random 32 :param website: 33 :return: 随机Cookie 34 """
35 g = get_conn() 36 cookies = getattr(g, website + '_cookies').random() 37 return cookies 38
39
40 @app.route('/<website>/add/<username>/<password>') 41 def add(website, username, password): 42 """
43 添加用户，访问地址如 /weibo/add/user/password 44 :param website: 站点 45 :param username: 用户名 46 :param password: 密码 47 :return: 48 """
49 g = get_conn() 50 print(username, password) 51 getattr(g, website + '_accounts').set(username, password) 52 return json.dumps({'status': '1'}) 53
54
55 @app.route('/<website>/count') 56 def count(website): 57 """
58 获取Cookies总数 59 """
60 g = get_conn() 61 count = getattr(g, website + '_cookies').count() 62 return json.dumps({'status': '1', 'count': count}) 63
64 if __name__ == '__main__': 65 app.run(host='127.0.0.1')
这里random方法实现通用的配置来对接不同的站点，所以接口链接的第一个字段定义为站点名称，第二个字段定义为获取方法，例如 /weibo/random是获取微博的随机Cookies，/zhihu/random是获取知乎的随机Cookies。
5、调度模块
最后再加一个调度模块，让这几个模块配合起来运行，主要工作就是驱动几个模块定时运行，同时各个模块需要在不同的进程上运行，代码实现如下所示：
1 import time 2 from multiprocessing import Process 3
4 from cookiesapi import app 5 from cookiespool.config import *
6 from cookiespool.generator import *
7 from cookiespool.tester import *
8
9 class Scheduler(object): 10
11 @staticmethod 12 def valid_cookie(cycle=CYCLE): 13 while True: 14 print('Cookies 检测进程开始运行') 15 try: 16 for website, cls in TESTER_MAP.items(): 17 tester = eval(cls + '(website="' + website + '"")') 18 tester.run() 19 print('Cookies 检测完成') 20 del tester 21 time.sleep(cycle) 22 except Exception as e: 23 print(e.args) 24
25 @ staticmethod 26 def generate_cookie(cycle=CYCLE): 27 while True: 28 print("Cookies生成进程开始运行") 29 try: 30 for website, cls in GENERATOR_MAP.items(): 31 generator = eval(cls + '(website="' + website + '")') 32 generator.run() 33 print('Cookies 生成完成') 34 generator.close() 35 time.sleep(cycle) 36 except Exception as e: 37 print(e.args) 38
39 @staticmethod 40 def api(): 41 print('API接口开始运行') 42 app.run(host=API_HOST, port=API_PORT) 43
44 def run(self): 45 if API_PROCESS: 46 api_process = Process(target=Scheduler.api) 47 api_process.start() 48
49 if GENERATOR_PROCESS: 50 generate_process = Process(target=Scheduler.generate_cookie) 51 generate_process.start() 52
53 if VALID_PROCESS: 54 valid_process = Process(target=Scheduler.valid_cookie) 55 valid_process.start()
代码中用到的两个重要配置是，产生模块类和测试模块类的字典配置，该配置信息在 config 模块中，配置信息如下所示：
1 # 产生器类，如要扩展其他站点，就在这里配置
2 GENERATOR_MAP = { 3 'weibo': 'WeiboCookiesGenerator', 4 } 5
6 # 测试类，如要扩展其他站点，就在这里配置
7 TESTER_MAP = { 8 'weibo': 'WeiboValidTester', 9 }
这样配置可方便动态扩展使用，键名是站点名称，键值是类名。如有需要配置其它站点，可在字典中添加，例如要扩展知乎站点的产生模块，可以这样配置：
1 GENERATOR_MAP = { 2 'weibo': 'WeiboCookiesGenerator', 3 'zhihu': 'ZhihuCookiesGenerator', 4 }
Scheduler类里对字典遍历，并利用 eval() 方法创建各个类的对象，调用其入口 run() 方法运行各个模块。同时，各个模块的多进程使用了 multiprocessing 中的 Process 类，调用其 start()方法即可启动各个进程。
最后，还需要为各个模块设置一个开关，可以在配置文件中设置开关的开启和关闭状态，如下所示：
1 # 产生器开关，模拟登录添加Cookies
2 GENERATOR_PROCESS = False 3 # 验证器开关，循环检测数据库中Cookies是否可用，不可用删除
4 VALID_PROCESS = False 5 # API接口服务
6 API_PROCESS = True
这几个开关的值为True则开启，为False则为关闭。要让代码能够成功运行，还需要导入账号和密码，为此再写一个导入账号和密码的模块，这个模块的代码如下所示：
1 from redisdb import RedisClient 2
3 conn = RedisClient('accounts', 'weibo') 4
5 def set(account, sep='----'): 6 username, password = account.split(sep) 7 result = conn.set(username, password) 8 print('账号', username, '密码', password) 9 print('录入成功' if result else '录入失败') 10
11
12 def scan(): 13 print('请输入账号密码组，输入exit退出读入') 14 while True: 15 account = input() 16 if account == 'exit': 17 break
18 set(account) 19
20
21 if __name__ == '__main__': 22 scan()
运行这个模块，就将录入的账号和密码存储到 Redis 数据库中。最终，还需要写一个总的运行程序入口模块，这个模块很简单，主要是调用调度模块的run()方法运行程序。
1 from cookiespool.scheduler import Scheduler 2
3 def main(): 4 s = Scheduler() 5 s.run() 6
7 if __name__ == '__main__': 8 main()
经测试，代码运行成功，各个模块都正常启动，测试模块逐个测试Cookies，生成模块获取还未生成Cookies的账号的Ccookies，各个模块并行运行，互不干扰。这里测试了一个账号，控制台的输出信息如下所示：
Cookies 检测进程开始运行 API接口开始运行 * Serving Flask app "cookiesapi" (lazy loading) * Environment: production WARNING: Do not use the development server in a production environment. Use a production WSGI server instead. * Debug mode: off Cookies 检测完成 Cookies生成进程开始运行 * Running on http://0.0.0.0:5000/ (Press CTRL+C to quit) 正在生成Cookies 账号 1234567890 密码 abcd1234 (这里的账号和密码不是真实输出的账号和密码) 成功获取到Cookies {'M_WEIBOCN_PARAMS': 'uicode%3D10000011%26fid%3D102803', 'MLOGIN': '1', ...(后面省略)} 成功保存Cookies 所有账号都已经成功获取Cookies Cookies 生成完成 Closing Browser
此时在浏览器地址栏访问接口 http://127.0.0.1:5000/weibo/random 也能正确看到随机生成的 cookies，如下图1-5所示，爬虫项目只要请求该接口就可实现随机Cookies的获取。
图1-5 浏览器上随机获取cookies