Python 爬蟲從入門到進階之路（六）

在以前的文章中咱們介紹了一下 opener 應用中的 ProxyHandler 處理器（代理設置），本篇文章咱們再來看一下 opener 中的 Cookie 的使用。

Cookie 是指某些網站服務器爲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能夠保持登陸信息到用戶下次與服務器的會話。

HTTP是無狀態的面向鏈接的協議, 爲了保持鏈接狀態, 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的過時時間（Expires/Max-Age）
Cookie做用路徑（Path）
Cookie所在域名（Domain），
使用Cookie進行安全鏈接（Secure）。

前兩個參數是Cookie應用的必要條件，另外，還包括Cookie大小（Size，不一樣瀏覽器對Cookie個數及大小限制是有差別的）。

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

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斷定註冊用戶是否已經登陸網站，用戶可能會獲得提示，是否在下一次進入此網站時保留用戶信息以便簡化登陸手續。

 1 import urllib.request
 2 
 3 # 1. 構建一個已經登陸過的用戶的headers信息
 4 headers = {
 5     "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",
 6     "Cookie": "anonymid=jurpmxe9-orl7u3;"
 7               "depovince=BJ;"
 8               " _r01_=1; "
 9               "JSESSIONID=abcwYLyIY7VNIhCDVWcPw;"
10               " jebe_key=f6fb270b-d06d-42e6-8b53-e67c3156aa7e%7Cc13c37f53bca9e1e7132d4b58ce00fa3%7C1484060607478%7C1%7C1484060607173;"
11               " jebecookies=f1fd29c4-bd08-4d66-8834-72e42b70d2cb|||||; "
12               "ick_login=0f790ea2-c8bf-4d64-a394-36745febeb26;"
13               " _de=622DE758381206EB340E4CEC836F3769696BF75400CE19CC;"
14               " p=7e50f3fe10ca320e36dae001c72d392d3;"
15               " ap=327550029;"
16               " first_login_flag=1;"
17               " ln_uact=562352353@qq.com;"
18               " ln_hurl=http://hdn.xnimg.cn/photos/hdn121/20120930/2035/h_main_hcDy_40fc000002d91375.jpg;"
19               " t=d7c6ae064b81ae15f5b91f5897dc61553;"
20               " societyguester=d7c6ae064b81ae15f5b91f5897dc61553;"
21               " id=485439163;"
22               " xnsid=bc995dc8;"
23               " ver=7.0;"
24               " loginfrom=null"
25 }
26 
27 # 2. 經過headers裏的報頭信息（主要是Cookie信息），構建Request對象
28 request = urllib.request.Request("http://www.renren.com", headers=headers)
29 
30 # 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陸的用戶，並返回相應的頁面
31 response = urllib.request.urlopen(request)
32 
33 # 4. 打印響應內容
34 print(response.read().decode("utf-8"))

可是這樣作太過複雜，咱們先須要在瀏覽器登陸帳戶，而且設置保存密碼，而且經過抓包才能獲取這個Cookie，那有麼有更簡單方便的方法呢？

cookielib庫 和 HTTPCookieProcessor處理器

在Python處理Cookie，通常是經過 http 模塊的 cookiejar 模塊和 urllib 模塊的 HTTPCookieProcessor 處理器類一塊兒使用。

cookiejar模塊：主要做用是提供用於存儲cookie的對象

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

 1 import urllib.request
 2 import urllib.parse
 3 from http import cookiejar
 4 
 5 # 1. 構建一個CookieJar對象實例來保存cookie
 6 cookie = cookiejar.CookieJar()
 7 
 8 # 2. 使用HTTPCookieProcessor()來建立cookie處理器對象，參數爲CookieJar()對象
 9 cookie_handler = urllib.request.HTTPCookieProcessor(cookie)
10 
11 # 3. 經過 build_opener() 來構建opener
12 opener = urllib.request.build_opener(cookie_handler)
13 
14 # 4. addheaders 接受一個列表，裏面每一個元素都是一個headers信息的元祖, opener將附帶headers信息
15 opener.addheaders = [("User-Agent",
16                       "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")]
17 
18 # 5. 須要登陸的帳戶和密碼
19 data = {"email": "562352353@qq.com", "password": "chen562352353"}
20 
21 # 6. 經過urlencode()轉碼
22 postdata = urllib.parse.urlencode(data).encode("utf-8")
23 
24 # 7. 構建Request請求對象，包含須要發送的用戶名和密碼
25 request = urllib.request.Request("http://www.renren.com/PLogin.do", data=postdata)
26 
27 # 8. 經過opener發送這個請求，並獲取登陸後的Cookie值，
28 opener.open(request)
29 
30 # 9. opener包含用戶登陸後的Cookie值，能夠直接訪問那些登陸後才能夠訪問的頁面
31 response = opener.open("http://www.renren.com/485439163")
32 
33 # 10. 打印響應內容
34 print(response.read().decode("utf-8"))

 模擬登陸要注意幾點：

1. 登陸通常都會先有一個HTTP GET，用於拉取一些信息及得到Cookie，而後再HTTP POST登陸。
2. HTTP POST登陸的連接有多是動態的，從GET返回的信息中獲取。
3. password 有些是明文發送，有些是加密後發送。有些網站甚至採用動態加密的，同時包括了不少其餘數據的加密信息，只能經過查看JS源碼得到加密算法，再去破解加密，很是困難。
4. 大多數網站的登陸總體流程是相似的，可能有些細節不同，因此不能保證其餘網站登陸成功。