python爬蟲-使用cookie登錄

前言：

什么是cookie?

Cookie，指某些網站為了辨別用戶身份、進行session跟蹤而儲存在用戶本地終端上的數據（通常經過加密）。

比如說有些網站需要登錄后才能訪問某個頁面，在登錄之前，你想抓取某個頁面內容是不允許的。那么我們可以利用Urllib庫保存我們登錄的Cookie，然后再抓取其他頁面,這樣就達到了我們的目的。

---

一、Urllib庫簡介

Urllib是python內置的HTTP請求庫，官方地址：https://docs.python.org/3/library/urllib.html

包括以下模塊：

>>>urllib.request 請求模塊

>>>urllib.error 異常處理模塊

>>>urllib.parse url解析模塊

>>>urllib.robotparser robots.txt解析模塊

 

---

二、urllib.request.urlopen介紹

uurlopen一般常用的有三個參數，它的參數如下：

urllib.requeset.urlopen(url,data,timeout)

簡單的例子：

1、url參數的使用（請求的URL）

response = urllib.request.urlopen('http://www.baidu.com')

2、data參數的使用（以post請求方式請求）

data= bytes(urllib.parse.urlencode({'word':'hello'}), encoding='utf8')

response= urllib.request.urlopen('http://www.baidu.com/post', data=data)

3、timeout參數的使用（請求設置一個超時時間，而不是讓程序一直在等待結果）

response= urllib.request.urlopen('http://www.baidu.com/get', timeout=4)

 

---

三、構造Requset

1、數據傳送POST和GET（舉例說明：此處列舉登錄的請求，定義一個字典為values，參數為：email和password，然后利用urllib.parse.urlencode方法將字典編碼，命名為data，構建request時傳入兩個參數：url、data。運行程序，即可實現登陸。）

GET方式：直接以鏈接形式訪問，鏈接中包含了所有的參數。

LOGIN_URL= "http://*******/postLogin/" values={'email':'*******@***com','password':'****'} data=urllib.parse.urlencode(values).encode() geturl = LOGIN_URL+ "?"+data request = urllib.request.Request(geturl)

 

POST方式：上面說的data參數就是用在這里的，我們傳送的數據就是這個參數data。

LOGIN_URL='http://******/postLogin/'

values={'email':'*******@***.com','password':'*****'}

data=urllib.parse.urlencode(values).encode()

request=urllib.request.Request(URL,data)

 

2、設置Headers（有些網站不會同意程序直接用上面的方式進行訪問，如果識別有問題，那么站點根本不會響應，所以為了完全模擬瀏覽器的工作，我們需要設置一些Headers 的屬性）

 

上圖可以看到該請求的headers，這個頭中包含了許多信息：Cache、Client、Transport等等。其中，agent就是請求的身份，如果沒有寫入請求身份，那么服務器不一定會響應，所以可以在headers中設置agent。

舉例：（這個例子只是說明了怎樣設置headers）

user_agent = r'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:55.0) Gecko/20100101 Firefox/55.0'

headers={'User-Agent':user_agent,'Connection':'keep-alive'}

request=urllib.request.Request(URL,data,headers)

 

---

四、使用cookie登錄

1、獲取登錄網址

瀏覽器輸入需要登錄的網址：'http://*****/login'（注意：這個並非其真實站點登錄網址），使用抓包工具fiddler抓包（其他工具也可）找到登錄后看到的request。

此處確定需要登錄的網址為：'http://*****/postLogin/'

 

2、查看要傳送的post數據

找到登錄后的request中有webforms的信息，會列出登錄要用的post數據，包括Email，password，auth。

 

3、查看headers信息

找到登錄后看到的request的headers信息，找出User-Agent設置、connection設置等

 

4、開始編碼，使用cookie登錄該網站

import urllib.error, urllib.request, urllib.parse
import http.cookiejar

LOGIN_URL = 'http://******/postLogin'
#get_url為使用cookie所登陸的網址，該網址必須先登錄才可
get_url = 'https://*****/pending'
values = {'email':'*****','password':'******','auth':'admin'}
postdata = urllib.parse.urlencode(values).encode()
user_agent = r'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36' \
             r' (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36'
headers = {'User-Agent':user_agent, 'Connection':'keep-alive'}
#將cookie保存在本地，並命名為cookie.txt
cookie_filename = 'cookie.txt'
cookie_aff = http.cookiejar.MozillaCookieJar(cookie_filename)
handler = urllib.request.HTTPCookieProcessor(cookie_aff)
opener = urllib.request.build_opener(handler)

request = urllib.request.Request(LOGIN_URL, postdata, headers)
try:
    response = opener.open(request)
except urllib.error.URLError as e:
    print(e.reason)

cookie_aff.save(ignore_discard=True, ignore_expires=True)

for item in cookie_aff:
    print('Name ='+ item.name)
    print('Value ='+ item.value)
#使用cookie登陸get_url
get_request = urllib.request.Request(get_url,headers=headers)
get_response = opener.open(get_request)
print(get_response.read().decode())

 

5、反復使用cookie登錄

（上面代碼中我們保存cookie到本地了，以下代碼我們能夠直接從文件導入cookie進行登錄，不用再構建request了）

import urllib.request, urllib.parse
import http.cookiejar

get_url = 'https://******/pending'
cookie_filename = 'cookie.txt'
cookie_aff = http.cookiejar.MozillaCookieJar(cookie_filename)
cookie_aff.load(cookie_filename,ignore_discard=True,ignore_expires=True)

handler = urllib.request.HTTPCookieProcessor(cookie_aff)
opener = urllib.request.build_opener(handler)
#使用cookie登陸get_url
get_request = urllib.request.Request(get_url)
get_response = opener.open(get_request)
print(get_response.read().decode())

 

---

 

以上