在web sprider crawl過程中,許多網站都需要登錄后才能訪問，一般如果我們不用爬蟲框架的前提下，常規用的就兩個庫 ，urllib庫和requests庫，本文將用最基礎的urllib庫，以模擬登錄人人網為例，理清爬蟲過程中登錄訪問和cookie的思緒。
1.終極方案，也是最簡單粗暴最有效的方式。直接手動登錄，提取cookie，下次訪問直接在請求頭攜帶cookie
我們知道，網站辨別用戶身份和保持會話的常用方式就是cookie和session，用戶登錄成功，服務器返回一些特定字符串保存在本地瀏覽器中（cookie），瀏覽器下次訪問會直接攜帶cookie，這樣服務器就可以根據返回的cookie驗證訪問者身份。通常如果用瀏覽器正常訪問，這部分事情瀏覽器會幫我們去做。但是在程序模擬登 錄時候，攜帶cookie就需要手動攜帶了。話不多說，直接進入主題。
打開人人網登錄界面，填入自己正確的用戶名和密碼，成功登陸進去。
其中紅色框的就是服務器給你的cookie，你的cookie就是以這樣的形式在request請求頭中的。直接將其復制粘貼下來，放入代碼中。上程序：
""" 首先手動登錄人人網,然后獲取cookie """
from urllib.request import urlopen, Request headers = { 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9', # 'Accept-Encoding': 'gzip, deflate', 這部分通常注釋掉，因為這部分是高訴服務器，本地支持的壓縮類型，因為瀏覽器會自動幫我們解壓，但是在程序中，沒辦法解壓，所以請求頭就不攜帶了
'Accept-Language': 'zh-CN,zh;q=0.9', 'Connection': 'keep-alive', 'Cookie': 'anonymid=kcpawuyd33irh2a;depovince=GW;r01_=1; JSESSIONID=abcGzDX6FRQNVfwdUETBnx;ick_login=6a732399-3adf-471b-af92-9bd68299d515; \
taihe_bi_sdk_uid=e4c3ee72270319312dde3088eb04c0be; taihe_bi_sdk_sefssion=6722a32d96ebbf8fd565fc7cc7f8f789;ick=1048bb79-0d32-46ab-8a11-af0c7e4cfa51;first_login_flag=1; \
ln_uact=17795796865;ln_hurl=http://head.xiaonei.com/photos/0/0/men_main.gif; ga=GA1.2.2124318841.1594975538;gid=GA1.2.506855365.1594975538; \
wp_fold=0;jebecookies=3833d4fe-20b3-4ecf-9efc-df9aca93641e|||||;de=5C6d0B07AA3EB53E377A21F126C928EF0; p=d3ae1effe255d4e057ef37f5682ac4850;\
t=ba23da27a155cc2b84a43307e83b37a70;societyguester=ba23da27a155cc2b84a4f3307e83b37a70;id=974774570;xnsid=a3c6bde2;ver=7.0;loginfrom=null', 'Host': 'www.renren.com', 'Referer': 'http://www.renren.com/974774570/profile''Upgrade-Insecure-Requests': '1', 'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Mobile Safari/537.36' } url = 'http://www.renren.com/974774570/profile' #個人主頁 request = Request(url=url, headers=headers) response = urlopen(request) print(response.read().decode())
注釋：程序的headers 是一個字典，是通過登錄后抓包來的如下：
其實通常我們只需要攜帶圖中的兩個參數，cookie和User-Agent,，某些get請求中，只需偽裝User_agent即可。但是我為什么帶這么多呢，那是因為，在有的網站你抓取的過程中，你其他參數都配置完美，但是總是抓取錯誤，那么問題八九不離十出現在headers中，始終記住我們是用程序模擬瀏覽器訪問服務器，說明程序偽裝的還不夠完美。
那么這時候就要考慮headers中是否缺失了某些頭部信息。為了防止出錯，干脆全盤端過來，反正你瀏覽器訪問的時候就是帶的這些請求頭參數。但是要注意，請求頭Accept-Encoding （程序中已經交代清楚）和 Content-Length（這是瀏覽器計算出的長度，程序模擬沒辦法計算，所以注釋掉）通常注釋掉。
HTTP請求中的常用消息頭
accept:瀏覽器通過這個頭告訴服務器，它所支持的數據類型
Accept-Charset: 瀏覽器通過這個頭告訴服務器，它支持哪種字符集
Accept-Encoding：瀏覽器通過這個頭告訴服務器，支持的壓縮格式
Accept-Language：瀏覽器通過這個頭告訴服務器，它的語言環境
Host：瀏覽器通過這個頭告訴服務器，想訪問哪台主機
If-Modified-Since: 瀏覽器通過這個頭告訴服務器，緩存數據的時間
Referer：瀏覽器通過這個頭告訴服務器，客戶機是哪個頁面來的 防盜鏈
Connection：瀏覽器通過這個頭告訴服務器，請求完后是斷開鏈接還是何持鏈接
Content-Length：瀏覽器通過這個頭告訴服務器發出去的字節長度
2. 模擬登錄，然后訪問主頁(在程序中我們不需要關心cookie是如何如何的，opener對象會自動幫我們處理，與之對應的是方式3，見下文)
通過抓包如上圖，分析登錄post請求的地址和攜帶的參數
直接上代碼：
""" 真正的模擬登錄是：發送post請求之后，保存cookie，之后訪問攜帶cookie """ # http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=2020652227884 通過這13位數，我們可以以男人的直覺，嗅出這是精確到毫秒的時間戳，那m我們給他生成就是 url = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp={}' # 登錄地址 import time from urllib.request import Request, urlopen, HTTPCookieProcessor, build_opener, ProxyHandler from urllib.parse import urlencode from http.cookiejar import CookieJar, MozillaCookieJar # 1. 創建cookiejar對象，這一種方式不用手動保存cookie，后期直接調用同一個opener即可，因為cookie已經在opener對象中 cookiejar = CookieJar() # 2.通過cookiejar創建一個handler handler = HTTPCookieProcessor(cookiejar) # handler1 = ProxyHandler({'http': '182.101.207.11:8080'}) # 選擇是否需要代理(自己設定代理) # 3.根據handler創建一個opener opener = build_opener(handler) # build_opener以傳遞多個handler對象，如果需要代理，則將handler1也傳入 unique_time = int(time.time() * 1000) # 生成時間戳 headers = { 'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Mobile Safari/537.36' } data = { 'email': '17795796865', 'icode': '', 'origURL': 'http://www.renren.com/home', 'domain': 'renren.com', 'key_id': '1', 'captcha_type': 'web_login', # 此處密碼是經過目標網站加密，不能直接放置原生密碼，加密密碼可以用瀏覽器抓包獲取 'password': '4af866303efsdf40a11d9f01e9677f3374bb957f905790b62a7eaa1accaf0a634764a1', 'rkey': '1ad002b47d8446d446f8d76f5bb5ff66', 'f': 'http%3A%2F%2Fwww.renren.com%2F974774570%2Fnewsfeed%2Fphoto' } # 4 創建request對象 request = Request(url=url.format(unique_time), headers=headers) # 5.post方式提交登錄 respose = opener.open(request, data=urlencode(data).encode()) print(respose.read().decode()) print('*' * 50) # get方式訪問個人主頁 get_url = 'http://www.renren.com/974774570/profile' request = Request(url=get_url, headers=headers) respose = opener.open(request) print(respose.read().decode())
注釋：data中的數，我們一個都不能少，因為post請求中，抓包可以看到，瀏覽器就帶的這么多參數。至於參數是什么意思，我們唯一能一眼看懂的就是email(用戶名)和password（密碼）。密碼是加密后的，一定不能寫原生密碼，加密后這一竄密碼可以用瀏覽器登錄抓包獲取。至於其他的參數，這就是爬蟲的難點，比如像大型的互聯網公司如淘寶，這里的data參數動輒幾十個，要破解相當有難度，我們暫且不需要關注這些，但是通常的網站我們稍作分析大概就能猜出來這里某個參數的意思，實在猜不出來，就原生不動的放着試着登錄。大不了登錄不進去我么可以采取上面的終極方案啊。始終記住，爬蟲工程師，獲取到網頁提取數據才是你的重點。不要把精力耗費到破解form_data中的參數上。
3.手動將cookie保存到本地文件中，后續請求中直接讀取該cookie文件即可
可能有的人就有疑問了，方式2既然能模擬登錄成功，那為什么還要手動保存在本地呢，豈不是多此一舉。凡事存在即合理。在爬蟲過程中，我們可以手動提取cookie，或者模擬登錄，但是在分布式爬蟲或者多台機器同時爬取時候，如果讓每台機器都要copy cookie，或者讓每台機器都登錄一遍，這不是明智的選擇，那么只有事先將cookie保存在文件中，后續每台機器的程序從文件中讀取即可。
程序和方式2的程序很相似：
import time from fake_useragent import UserAgent from urllib.request import Request, urlopen, HTTPCookieProcessor, build_opener, ProxyHandler from urllib.parse import urlencode from http.cookiejar import CookieJar, MozillaCookieJar from time import sleep url = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp={}' # 模擬登錄 def save_cookie(): # 1. 創建cookiejar對象 # cookiejar = CookieJar() # 這一種不用保存文件中，后期直接用同一個opener對象調用就行 cookiejar = MozillaCookieJar() # 這種方式是將cookie保存文件中 # 2.通過cookiejar創建一個handler handler = HTTPCookieProcessor(cookiejar) # handler1 = ProxyHandler({'http': '182.101.207.11:8080'}) # 選擇是否需要代理 # 3.根據handler創建一個opener opener = build_opener(handler) # 可以傳遞多個handler對象，如果需要代理，則將handler1也傳入 unique_time = int(time.time() * 1000) # 生成時間戳 headers = { 'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Mobile Safari/537.36' } data = { 'email': '17795796865', 'icode': '', 'origURL': 'http://www.renren.com/home', 'domain': 'renren.com', 'key_id': '1', 'captcha_type': 'web_login', # 此處密碼是經過目標網站加密，不能直接放置原生密碼，加密密碼可以用瀏覽器抓包獲取 'password': '4af866303e40a11901e9677f3374bb957f905790b62a7eaa1accaf0a634764a1', 'rkey': '1ad002b47d8446d446f8d76f5bb5ff66', 'f': 'http%3A%2F%2Fwww.renren.com%2F974774570%2Fnewsfeed%2Fphoto' } request = Request(url=url.format(unique_time), headers=headers) respose = opener.open(request, data=urlencode(data).encode()) # 創建保存可以序列化cookie的文件對象 cookiejar.save('cookiejar.txt', ignore_discard=True, ignore_expires=True) print(respose.read().decode()) print('*' * 50) # 訪問個人主頁 def use_cookie(): get_url = 'http://www.renren.com/974774570/profile' headers = { 'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Mobile Safari/537.36' } # 1. 創建cookiejar cookiejar = MozillaCookieJar() # 2.從本地加載cookie文件 cookiejar.load('cookiejar.txt') # 3.創建handler對象 handler = HTTPCookieProcessor(cookiejar) # 4.創建opener對象 opener = build_opener(handler) # 5.創建request對象 request = Request(url=get_url, headers=headers) # 6.發送請求 respose = opener.open(request) print(respose.read().decode()) if __name__ == '__main__': save_cookie() sleep(2) use_cookie()
運行程序我們可以看到本地有個cookiejar.txt文件
總結
不管以哪種方式，我們的終極目的是為了爬取數據，而不是花里胡哨的模擬登陸，如果模擬登陸過程中幾次嘗試失敗，那么不妨可以直接放棄，直接以第一種方式即可。畢竟人生苦短！由於精力有限，此處就沒有涉及驗證碼，通常大多數網站登陸幾次失敗后就有驗證碼驗證。后續有機會再講。