Python 爬蟲從入門到進階之路（六）

在之前的文章中我們介紹了一下 opener 應用中的 ProxyHandler 處理器（代理設置），本篇文章我們再來看一下 opener 中的 Cookie 的使用。

Cookie 是指某些網站服務器為了辨別用戶身份和進行Session跟蹤，而儲存在用戶瀏覽器上的文本文件，Cookie可以保持登錄信息到用戶下次與服務器的會話。

HTTP是無狀態的面向連接的協議, 為了保持連接狀態, 引入了Cookie機制 Cookie是http消息頭中的一種屬性，包括：

Cookie名字（Name）
Cookie的值（Value）
Cookie的過期時間（Expires/Max-Age）
Cookie作用路徑（Path）
Cookie所在域名（Domain），
使用Cookie進行安全連接（Secure）。

前兩個參數是Cookie應用的必要條件，另外，還包括Cookie大小（Size，不同瀏覽器對Cookie個數及大小限制是有差異的）。

Cookie由變量名和值組成，根據 Netscape公司的規定，Cookie格式如下：

Set－Cookie: NAME=VALUE；Expires=DATE；Path=PATH；Domain=DOMAIN_NAME；SECURE

Cookie應用

Cookies在爬蟲方面最典型的應用是判定注冊用戶是否已經登錄網站，用戶可能會得到提示，是否在下一次進入此網站時保留用戶信息以便簡化登錄手續。

import urllib.request

# 1. 構建一個已經登錄過的用戶的headers信息
headers = {
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36",
    "Cookie": "anonymid=jurpmxe9-orl7u3;"
              "depovince=BJ;"
              " _r01_=1; "
              "JSESSIONID=abcwYLyIY7VNIhCDVWcPw;"
              " jebe_key=f6fb270b-d06d-42e6-8b53-e67c3156aa7e%7Cc13c37f53bca9e1e7132d4b58ce00fa3%7C1484060607478%7C1%7C1484060607173;"
              " jebecookies=f1fd29c4-bd08-4d66-8834-72e42b70d2cb|||||; "
              "ick_login=0f790ea2-c8bf-4d64-a394-36745febeb26;"
              " _de=622DE758381206EB340E4CEC836F3769696BF75400CE19CC;"
              " p=7e50f3fe10ca320e36dae001c72d392d3;"
              " ap=327550029;"
              " first_login_flag=1;"
              " ln_uact=[e-mail];"
              " ln_hurl=http://hdn.xnimg.cn/photos/hdn121/20120930/2035/h_main_hcDy_40fc000002d91375.jpg;"
              " t=d7c6ae064b81ae15f5b91f5897dc61553;"
              " societyguester=d7c6ae064b81ae15f5b91f5897dc61553;"
              " id=485439163;"
              " xnsid=bc995dc8;"
              " ver=7.0;"
              " loginfrom=null"
}

# 2. 通過headers里的報頭信息（主要是Cookie信息），構建Request對象
request = urllib.request.Request("http://www.renren.com", headers=headers)

# 3. 直接訪問renren主頁，服務器會根據headers報頭信息（主要是Cookie信息），判斷這是一個已經登錄的用戶，並返回相應的頁面
response = urllib.request.urlopen(request)

# 4. 打印響應內容
print(response.read().decode("utf-8"))

但是這樣做太過復雜，我們先需要在瀏覽器登錄賬戶，並且設置保存密碼，並且通過抓包才能獲取這個Cookie，那有么有更簡單方便的方法呢？

cookielib庫 和 HTTPCookieProcessor處理器

在Python處理Cookie，一般是通過 http 模塊的 cookiejar 模塊和 urllib 模塊的 HTTPCookieProcessor 處理器類一起使用。

cookiejar模塊：主要作用是提供用於存儲cookie的對象

HTTPCookieProcessor處理器：主要作用是處理這些cookie對象，並構建handler對象。

import urllib.request
import urllib.parse
from http import cookiejar

# 1. 構建一個CookieJar對象實例來保存cookie
cookie = cookiejar.CookieJar()

# 2. 使用HTTPCookieProcessor()來創建cookie處理器對象，參數為CookieJar()對象
cookie_handler = urllib.request.HTTPCookieProcessor(cookie)

# 3. 通過 build_opener() 來構建opener
opener = urllib.request.build_opener(cookie_handler)

# 4. addheaders 接受一個列表，里面每個元素都是一個headers信息的元祖, opener將附帶headers信息
opener.addheaders = [("User-Agent",
                      "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36")]

# 5. 需要登錄的賬戶和密碼
data = {"email": "[e-mail]", "password": "chen562352353"}

# 6. 通過urlencode()轉碼
postdata = urllib.parse.urlencode(data).encode("utf-8")

# 7. 構建Request請求對象，包含需要發送的用戶名和密碼
request = urllib.request.Request("http://www.renren.com/PLogin.do", data=postdata)

# 8. 通過opener發送這個請求，並獲取登錄后的Cookie值，
opener.open(request)

# 9. opener包含用戶登錄后的Cookie值，可以直接訪問那些登錄后才可以訪問的頁面
response = opener.open("http://www.renren.com/485439163")

# 10. 打印響應內容
print(response.read().decode("utf-8"))

 模擬登錄要注意幾點：

1. 登錄一般都會先有一個HTTP GET，用於拉取一些信息及獲得Cookie，然后再HTTP POST登錄。
2. HTTP POST登錄的鏈接有可能是動態的，從GET返回的信息中獲取。
3. password 有些是明文發送，有些是加密后發送。有些網站甚至采用動態加密的，同時包括了很多其他數據的加密信息，只能通過查看JS源碼獲得加密算法，再去破解加密，非常困難。
4. 大多數網站的登錄整體流程是類似的，可能有些細節不一樣，所以不能保證其他網站登錄成功。