快捷導(dǎo)航

python 爬蟲(chóng)如何正確的使用cookie

更新時(shí)間：2020年10月27日 08:57:50 作者：白42

這篇文章主要介紹了python 爬蟲(chóng)如何使用cookie，幫助大家繞過(guò)網(wǎng)站設(shè)置的登錄規(guī)則以及登錄時(shí)的驗(yàn)證碼識(shí)別，完成自身的爬取需求，感興趣的朋友可以了解下

很多時(shí)候，我們要查看的內(nèi)容必須要先登錄才能找到，比如知乎的回答，QQ空間的好友列表、微博上關(guān)注的人和粉絲等。要使用爬蟲(chóng)直接登錄抓取這些信息時(shí)，有一個(gè)不太好解決的難題，就是這些網(wǎng)站設(shè)置的登錄規(guī)則以及登錄時(shí)的驗(yàn)證碼識(shí)別。不過(guò)，我們可以想辦法繞過(guò)去，思路是這樣的：先使用瀏覽器登錄，從瀏覽器獲取登錄后的“憑證”，然后將這個(gè)“憑證”放到爬蟲(chóng)里，模擬用戶的行為繼續(xù)抓取。這里，我們要獲取的憑證就是cookie信息。

這次我們嘗試使用python和cookie來(lái)抓取QQ空間上的好友列表。使用的工具是FireFox瀏覽器、FireBug和Python。

獲取cookie

打開(kāi)FireFox瀏覽器，登錄QQ空間，啟動(dòng)FireBug，選擇FireBug中的Cookies頁(yè)簽，點(diǎn)擊頁(yè)簽中的cookies按鈕菜單，選擇“導(dǎo)出本站點(diǎn)的cookie”即可完成cookie的導(dǎo)出。

導(dǎo)出cookie會(huì)以一個(gè)名為cookies.txt文本文件形式存在。

程序?qū)崿F(xiàn)

然后我們會(huì)使用獲取的cookie新建一個(gè)opener來(lái)替換之前請(qǐng)求時(shí)使用的默認(rèn)的opener。將獲取的cookies拷貝到程序目錄下，編寫腳本如下：

#!python
# encoding: utf-8
from http.cookiejar import MozillaCookieJar
from urllib.request import Request, build_opener, HTTPCookieProcessor
 
DEFAULT_HEADERS = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0"}
DEFAULT_TIMEOUT = 360
 
 
def grab(url):
    cookie = MozillaCookieJar()
    cookie.load('cookies.txt', ignore_discard=True, ignore_expires=True)
    req = Request(url, headers=DEFAULT_HEADERS)
    opener = build_opener(HTTPCookieProcessor(cookie))
    response = opener.open(req, timeout=DEFAULT_TIMEOUT)
    print(response.read().decode('utf8'))
 
 
if __name__ == '__main__':
    grab(<a  rel="external nofollow" >http://user.qzone.qq.com/QQ號(hào)/myhome/friends</a>)

因?yàn)槲覀兪褂玫氖荈ireFox瀏覽器導(dǎo)出的cookie文件，所以這里使用的cookieJar是MozillaCookieJar。

執(zhí)行腳本…然而報(bào)錯(cuò)了：

Traceback (most recent call last):
  File "D:/pythonDevelop/spider/use_cookie.py", line 17, in <module>
    start()
  File "D:/pythonDevelop/spider/use_cookie.py", line 9, in start
    cookie.load('cookies.txt', ignore_discard=True, ignore_expires=True)
  File "D:\Program Files\python\python35\lib\http\cookiejar.py", line 1781, in load
    self._really_load(f, filename, ignore_discard, ignore_expires)
  File "D:\Program Files\python\python35\lib\http\cookiejar.py", line 2004, in _really_load
    filename)
http.cookiejar.LoadError: 'cookies.txt' does not look like a Netscape format cookies file

問(wèn)題出在cookies文件上，說(shuō)是不像一個(gè)Netscape格式的cookie文件。不過(guò)也好解決，只需要在cookies文件開(kāi)始一行添加如下內(nèi)容即可：

# Netscape HTTP Cookie File

通過(guò)這行內(nèi)容提示python cookie解析器這是一個(gè)FireFox瀏覽器適用的cookie。

再次執(zhí)行，還是會(huì)報(bào)錯(cuò)，因?yàn)楸容^長(zhǎng)我就只貼關(guān)鍵的部分出來(lái)：

http.cookiejar.LoadError: invalid Netscape format cookies file 'cookies.txt': '.qzone.qq.com\tTRUE\t/\tFALSE\tblabla\tdynamic'

意思是cookie中某些行存在格式錯(cuò)誤。具體錯(cuò)在哪兒，需要先了解下FireFox瀏覽器的cookie格式。MozillaCookieJar認(rèn)為每行cookie需要包含以下信息，每條信息以制表符分隔：

名稱	domain	domain_specified	path	secure	expires	name	value
類型	字符串	布爾型	字符串	布爾型	長(zhǎng)整型	字符串	字符串
說(shuō)明	域名	—	適用路徑	是否使用安全協(xié)議	過(guò)期時(shí)間	名稱	值

其中domain_specified是什么意思我不很清楚，以后弄明白了再補(bǔ)上。再來(lái)看看我們獲取的cookie的部分行：

user.qzone.qq.com	FALSE	/	FALSE	814849905_todaycount	0
user.qzone.qq.com	FALSE	/	FALSE	814849905_totalcount	0
.qzone.qq.com	TRUE	/	FALSE	1473955201	Loading	Yes
.qzone.qq.com	TRUE	/	FALSE	1789265237	QZ_FE_WEBP_SUPPORT	0

前兩行格式是錯(cuò)誤的，后兩行格式是正確的。前兩行缺少“expires”屬性。該怎么辦呢——補(bǔ)上就好了唄。在其他的cookie中隨意選一個(gè)時(shí)間補(bǔ)上就OK了。

補(bǔ)全cookie后，再次執(zhí)行是正常的，沒(méi)有報(bào)錯(cuò)。但是沒(méi)有如預(yù)期的打印出好友信息，因?yàn)榫W(wǎng)址錯(cuò)了。使用firebug可以找出正確的網(wǎng)址：

https://h5.qzone.qq.com/proxy/domain/r.qzone.qq.com/cgi-bin/tfriend/friend_ship_manager.cgi?uin=QQ號(hào)&do=1&rd=0.44948123599838985&fupdate=1&clean=0&g_tk=515169388

這樣就抓取到好友列表了。好友列表是一個(gè)json字符串。

至于如何解析json，會(huì)在下一節(jié)進(jìn)行說(shuō)明。

動(dòng)態(tài)獲取cookie

cookie是有過(guò)期時(shí)間的。如果想長(zhǎng)時(shí)間抓取網(wǎng)頁(yè)，就需要每隔一段時(shí)間就更新一次cookie。如果都是從FireFox瀏覽器來(lái)手動(dòng)獲取顯得有些笨了。從瀏覽器獲取的cookie只是作為一個(gè)入口，之后再進(jìn)行請(qǐng)求還是要依靠python主動(dòng)獲取cookie。下面是一段獲取cookie的程序：

#!python
# encoding: utf-8
from http.cookiejar import CookieJar
from urllib.request import Request, HTTPCookieProcessor, build_opener
 
DEFAULT_HEADERS = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0"}
DEFAULT_TIMEOUT = 360
 
 
def get(url):
    cookie = CookieJar()
    handler = HTTPCookieProcessor(cookie)
    opener = build_opener(handler)
    req = Request(url, headers=DEFAULT_HEADERS)
    response = opener.open(req, timeout=DEFAULT_TIMEOUT)
    for item in cookie:
        print(item.name + " = " + item.value)
    response.close()

在示例程序中演示了如何獲取cookie，并打印了cookie的name和value兩項(xiàng)屬性。通過(guò)實(shí)例可以看到每次執(zhí)行http請(qǐng)求都會(huì)重新獲取cookie，因此可以將我們的程序調(diào)整一下：執(zhí)行第一次請(qǐng)求時(shí)使用我們通過(guò)瀏覽器獲取的cookie，之后的每次請(qǐng)求都可以使用上次請(qǐng)求時(shí)獲取的cookie。調(diào)整后的程序：

#!python
# encoding: utf-8
from http.cookiejar import MozillaCookieJar, CookieJar
from urllib.request import Request, build_opener, HTTPCookieProcessor, urlopen
 
DEFAULT_HEADERS = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0"}
DEFAULT_TIMEOUT = 360
 
 
def gen_login_cookie():
    cookie = MozillaCookieJar()
    cookie.load('cookies.txt', ignore_discard=True, ignore_expires=True)
    return cookie
 
 
def grab(cookie, url):
    req = Request(url, headers=DEFAULT_HEADERS)
    opener = build_opener(HTTPCookieProcessor(cookie))
    response = opener.open(req, timeout=DEFAULT_TIMEOUT)
    print(response.read().decode("utf8"))
    response.close()
 
 
def start(url1, url2):
    cookie = gen_login_cookie()
    grab(cookie, url1)
    grab(cookie, url2)
 
 
if __name__ == '__main__':
    u1 = "https://user.qzone.qq.com/QQ號(hào)/myhome/friends"
    u2 = "https://h5.qzone.qq.com/proxy/domain/r.qzone.qq.com/cgi-bin/tfriend/friend_ship_manager.cgi?uin=QQ號(hào)&do=2&rd=0.44948123599838985&fupdate=1&clean=0&g_tk=515169388"
    start(u1, u2)

就這樣。

其他

其實(shí)在登錄QQ空間時(shí)使用cookie還有另一種法子——通過(guò)觀察，也可以在http 請(qǐng)求頭中添加cookie信息。

獲取請(qǐng)求頭中cookie的方式：打開(kāi)FireFox瀏覽器，打開(kāi)FireBug并激活FireBug的network頁(yè)簽，在FireFox瀏覽器上登錄QQ空間，然后在FireBug中找到登錄頁(yè)請(qǐng)求，然后就可以找到請(qǐng)求頭中的cookie信息了。