25-3 requests模塊的cookie和代理操做

一.基於requests模塊的cookie操做

引言：有些時候，咱們在使用爬蟲程序去爬取一些用戶相關信息的數據（爬取張三「人人網」我的主頁數據）時，若是使用以前requests模塊常規操做時，每每達不到咱們想要的目的，例如：

 1 #!/usr/bin/env python
 2 # -*- coding:utf-8 -*-
 3 import requests
 4 if __name__ == "__main__":
 5 
 6     #張三人人網我的信息頁面的url
 7     url = 'http://www.renren.com/289676607/profile'
 8 
 9    #假裝UA
10     headers={
11         'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
12     }
13     #發送請求，獲取響應對象
14     response = requests.get(url=url,headers=headers)
15     #將響應內容寫入文件
16     with open('./renren.html','w',encoding='utf-8') as fp:
17         fp.write(response.text)

 

- 結果發現，寫入到文件中的數據，不是張三我的頁面的數據，而是人人網登錄的首頁面，why？首先咱們來回顧下cookie的相關概念及做用：

　　　　- cookie概念：當用戶經過瀏覽器首次訪問一個域名時，訪問的web服務器會給客戶端發送數據，以保持web服務器與客戶端之間的狀態保持，這些數據就是cookie。

　　　　- cookie做用：咱們在瀏覽器中，常常涉及到數據的交換，好比你登陸郵箱，登陸一個頁面。咱們常常會在此時設置30天內記住我，或者自動登陸選項。那麼它們是怎麼記錄信息的呢，答案就是今天的主角cookie了，Cookie是由HTTP服務器設置的，保存在瀏覽器中，但HTTP協議是一種無狀態協議，在數據交換完畢後，服務器端和客戶端的連接就會關閉，每次交換數據都須要創建新的連接。就像咱們去超市買東西，沒有積分卡的狀況下，咱們買完東西以後，超市沒有咱們的任何消費信息，但咱們辦了積分卡以後，超市就有了咱們的消費信息。cookie就像是積分卡，能夠保存積分，商品就是咱們的信息，超市的系統就像服務器後臺，http協議就是交易的過程。

- 通過cookie的相關介紹，其實你已經知道了爲何上述案例中爬取到的不是張三我的信息頁，而是登陸頁面。那應該如何抓取到張三的我的信息頁呢？

　　思路：

　　　　1.咱們須要使用爬蟲程序對人人網的登陸時的請求進行一次抓取，獲取請求中的cookie數據

　　　　2.在使用我的信息頁的url進行請求時，該請求須要攜帶 1 中的cookie，只有攜帶了cookie後，服務器纔可識別此次請求的用戶信息，方可響應回指定的用戶信息頁數據

 1 #!/usr/bin/env python
 2 # -*- coding:utf-8 -*-
 3 import requests
 4 if __name__ == "__main__":
 5 
 6     #登陸請求的url（經過抓包工具獲取）
 7     post_url = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471'
 8     #建立一個session對象，該對象會自動將請求中的cookie進行存儲和攜帶
 9     session = requests.session()
10    #假裝UA
11     headers={
12         'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
13     }
14     formdata = {
15         'email': '17701256561',
16         'icode': '',
17         'origURL': 'http://www.renren.com/home',
18         'domain': 'renren.com',
19         'key_id': '1',
20         'captcha_type': 'web_login',
21         'password': '7b456e6c3eb6615b2e122a2942ef3845da1f91e3de075179079a3b84952508e4',
22         'rkey': '44fd96c219c593f3c9612360c80310a3',
23         'f': 'https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3Dm7m_NSUp5Ri_ZrK5eNIpn_dMs48UAcvT-N_kmysWgYW%26wd%3D%26eqid%3Dba95daf5000065ce000000035b120219',
24     }
25     #使用session發送請求，目的是爲了將session保存該次請求中的cookie
26     session.post(url=post_url,data=formdata,headers=headers)
27 
28     get_url = 'http://www.renren.com/960481378/profile'
29     #再次使用session進行請求的發送，該次請求中已經攜帶了cookie
30     response = session.get(url=get_url,headers=headers)
31     #設置響應內容的編碼格式
32     response.encoding = 'utf-8'
33     #將響應內容寫入文件
34     with open('./renren.html','w') as fp:
35         fp.write(response.text)

 

二.基於requests模塊的代理操做

• 什麼是代理

  • 代理就是第三方代替本體處理相關事務。例如：生活中的代理：代購，中介，微商......

• 爬蟲中爲何須要使用代理

  • 一些網站會有相應的反爬蟲措施，例如不少網站會檢測某一段時間某個IP的訪問次數，若是訪問頻率太快以致於看起來不像正常訪客，它可能就會會禁止這個IP的訪問。因此咱們須要設置一些代理IP，每隔一段時間換一個代理IP，就算IP被禁止，依然能夠換個IP繼續爬取。

• 代理的分類：

  • 正向代理：代理客戶端獲取數據。正向代理是爲了保護客戶端防止被追究責任。

  • 反向代理：代理服務器提供數據。反向代理是爲了保護服務器或負責負載均衡。

• 免費代理ip提供網站

  • http://www.goubanjia.com/

  • 西祠代理

  • 快代理

• 代碼

   1 #!/usr/bin/env python
   2 # -*- coding:utf-8 -*-
   3 import requests
   4 import random
   5 if __name__ == "__main__":
   6     #不一樣瀏覽器的UA
   7     header_list = [
   8         # 遨遊
   9         {"user-agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)"},
  10         # 火狐
  11         {"user-agent": "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"},
  12         # 谷歌
  13         {
  14             "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"}
  15     ]
  16     #不一樣的代理IP
  17     proxy_list = [
  18         {"http": "112.115.57.20:3128"},
  19         {'http': '121.41.171.223:3128'}
  20     ]
  21     #隨機獲取UA和代理IP
  22     header = random.choice(header_list)
  23     proxy = random.choice(proxy_list)
  24 
  25     url = 'http://www.baidu.com/s?ie=UTF-8&wd=ip'
  26     #參數3：設置代理
  27     response = requests.get(url=url,headers=header,proxies=proxy)
  28     response.encoding = 'utf-8'
  29     
  30     with open('daili.html', 'wb') as fp:
  31         fp.write(response.content)
  32     #切換成原來的IP
  33     requests.get(url, proxies={"http": ""})
  34