Python爬蟲使用瀏覽器的cookies：browsercookie

 

很多用Python的人可能都寫過網絡爬蟲，自動化獲取網絡數據確實是一件令人愉悅的事情，而Python很好的幫助我們達到這種愉悅。然而，爬蟲經常要碰到各種登錄、驗證的阻撓，讓人灰心喪氣（網站：天天碰到各種各樣的爬蟲抓我們網站，也很讓人灰心喪氣～）。爬蟲和反爬蟲就是一個貓和老鼠的游戲，道高一尺魔高一丈，兩者反復糾纏。

由於http協議的無狀態性，登錄驗證都是通過傳遞cookies來實現的。通過瀏覽器登錄一次，登錄信息的cookie是就會被瀏覽器保存下來。下次再打開該網站時，瀏覽器自動帶上保存的cookies，只有cookies還未過期，對於網站來說你就還是登錄狀態的。

browsercookie模塊就是這樣一個從瀏覽器提取保存的cookies的工具。它是一個很有用的爬蟲工具，通過加載你瀏覽器的cookies到一個cookiejar對象里面，讓你輕松下載需要登錄的網頁內容。

安裝

pip install browsercookie

在Windows系統中，內置的sqlite模塊在加載FireFox數據庫時會拋出錯誤。需要更新sqlite的版本：
pip install pysqlite

使用方法

下面是從網頁提取標題的例子：

>>> import re
>>> get_title = lambda html: re.findall('<title>(.*?)</title>', html, flags=re.DOTALL)[0].strip()

 

下面是未登錄狀況下下載得到的標題：

>>> import urllib2
>>> url = 'https://bitbucket.org/'
>>> public_html = urllib2.urlopen(url).read()
>>> get_title(public_html)
'Git and Mercurial code management for teams'

 

接下來使用browsercookie從登錄過Bitbucket的FireFox里面獲取cookie再下載：

>>> import browsercookie
>>> cj = browsercookie.firefox()
>>> opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
>>> login_html = opener.open(url).read()
>>> get_title(login_html)
'richardpenman / home — Bitbucket'

 

上面是Python2的代碼，再試試 Python3:

>>> import urllib.request
>>> public_html = urllib.request.urlopen(url).read()
>>> opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))

 

你可以看到你的用戶名出現在title里面了，說明browsercookie模塊成功從FireFox加載了cookies。

下面是使用requests的例子，這次我們從Chrome里面加載cookies，當然你需要事先用Chrome登錄Bitbucket：

>>> import requests
>>> cj = browsercookie.chrome()
>>> r = requests.get(url, cookies=cj)
>>> get_title(r.content)
'richardpenman / home — Bitbucket'

 

如果你不知道或不關心那個瀏覽器有你需要的cookies，你可以這樣操作：

>>> cj = browsercookie.load()
>>> r = requests.get(url, cookies=cj)
>>> get_title(r.content)
'richardpenman / home — Bitbucket'

 

支持

目前，該模塊支持以下平台：

Chrome: Linux, OSX, Windows
Firefox: Linux, OSX, Windows

目前該模塊測試過的瀏覽器版本還不是很多，你使用過程中可能會遇到問題，可以向作者提交問題：

https://bitbucket.org/richardpenman/browsercookie/

 

文章首發於我的個人博客：猿人學