爬虫——cookie模拟登陆

cookie适用于抓取需要登录才能访问的页面网站

cookie和session机制

http协议为无连接协议，cookie: 存放在客户端浏览器，session: 存放在Web服务器

人人网登录案例

方法一：登录网站手动抓取Cookie

1、先登录成功1次，获取到携带登陆信息的Cookie

登录成功 - 个人主页（http://www.renren.com/971989504/profile） - F12抓包 - 刷新个人主页 - 找到主页的包(home)

　　一般cookie都在all--> home 数据包中，

2、携带着cookie发请求

import requests
​
class RenRenLogin(object):
   def __init__(self):
       # url为需要登录才能正常访问的地址
       self.url = 'http://www.renren.com/967469305/profile'
       # headers中的cookie为登录成功后抓取到的cookie
       self.headers = {
           # 此处注意cookie，要自己抓取
           "Cookie": "xxx",
           "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36",
      }
​
   # 获取个人主页响应
   def get_html(self):
       html = requests.get(url=self.url,headers=self.headers,verify=False).text
       print(html)
       self.parse_html(html)
​
   # 可获取并解析整个人人网内需要登录才能访问的地址
   def parse_html(self,html):
       pass
​
if __name__ == '__main__':
   spider = RenRenLogin()
   spider.get_html()

方法二：requests模块处理Cookie

requests模块提供了session类，来实现客户端和服务端的会话保持​

1、实例化session对象

session = requests.session()

2、让session对象发送get或者post请求

res = session.post(url=url,data=data,headers=headers)

res = session.get(url=url,headers=headers)​

3. 思路梳理

浏览器原理: 访问需要登录的页面会带着之前登录过的cookie

程序原理: 同样带着之前登录的cookie去访问 - 由session对象完成

1、实例化session对象

2、登录网站: session对象发送请求，登录对应网站，把cookie保存在session对象中

3、访问页面: session对象请求需要登录才能访问的页面,session能够自动携带之前的这个cookie,进行请求

具体步骤

1、寻找登录时POST的地址

在登陆界面查看网页源码，查看form表单，找action对应的地址: http://www.renren.com/PLogin.do

2、发送用户名和密码信息到POST的地址

* 用户名和密码信息以字典的方式发送

键 ：<input>标签中name的值(email,password)

值 ：真实的用户名和密码

post_data = {'email':'','password':''}

程序实现

1、先POST: 把用户名和密码信息POST到某个地址中

2、再GET: 正常请求去获取页面信息

import requests
from lxml import etree

class RenrenSpider(object):
    def __init__(self):
        self.post_url = 'http://www.renren.com/PLogin.do'
        self.get_url = 'http://www.renren.com/967469305/profile'
        # email和password为<input>节点中name的属性值
        self.form_data = {
            'email': '******',     # 用户名
            'password': '*******'} # 密码
        self.session = requests.session()  # 实例化session会话保持对象
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36',
            'Referer': 'http://www.renren.com/SysHome.do'}

    # 先post 再get
    def get_html(self):
        # 先POST,把用户名和密码信息POST到一个地址
        self.session.post(url=self.post_url, data=self.form_data, headers=self.headers)
        # 再session.get()个人主页
        html = self.session.get(url=self.get_url, headers=self.headers).text
        self.parse_html(html)

    def parse_html(self, html):
        parse_html = etree.HTML(html)
        r_list = parse_html.xpath('//li[@class="school"]/span/text()')
        print(r_list)

if __name__ == '__main__':
    spider = RenrenSpider()
    spider.get_html()

方法三

1、把抓取到的cookie处理为字典
2、使用requests.get()中的参数:cookies

import requests
from lxml import etree

class RenrenLogin(object):
    def __init__(self):
        # url为需要登录才能正常访问的地址
        self.url = 'http://www.renren.com/967469305/profile'
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'}

    # 将字符串cookie转为字典格式
    def get_cookie_dict(self):
        cookie_dict = {}
        cookies = 'td_cookie=18446744073093166409; anonymid=jzc3yiknvd9kwr; depovince=GW; jebecookies=67976425-f482-44a7-9668-0469a6a14d16|||||; _r01_=1; JSESSIONID=abcp_jUgWA4RdcgwXqtYw; ick_login=f502b729-d6cb-4085-8d74-4308a0a8a17d; _de=4DBCFCC17D9E50C8C92BCDC45CC5C3B7; p=cae86d9f12c5a1ba30901ad3d6ac992f5; first_login_flag=1; ln_uact=13603263409; ln_hurl=http://hdn.xnimg.cn/photos/hdn221/20181101/1550/h_main_qz3H_61ec0009c3901986.jpg; t=6d191b90a0236cea74f99b9d88d3fbd25; societyguester=6d191b90a0236cea74f99b9d88d3fbd25; id=967469305; xnsid=6cbc5509; ver=7.0; loginfrom=null; jebe_key=bd6eb791-92b2-4141-b8ed-53d17551d830%7C2012cb2155debcd0710a4bf5a73220e8%7C1565838783310%7C1%7C1565838784555; jebe_key=bd6eb791-92b2-4141-b8ed-53d17551d830%7C2012cb2155debcd0710a4bf5a73220e8%7C1565838783310%7C1%7C1565838784558; wp_fold=0'
        for kv in cookies.split('; '):
            # kv: 'td_cookie=184xxx'
            key = kv.split('=')[0]
            value = kv.split('=')[1]
            cookie_dict[key] = value

        return cookie_dict

    # 获取个人主页响应
    def get_html(self):
        # 获取cookies
        cookies = self.get_cookie_dict()
        print(cookies)
        html = requests.get(url=self.url, headers=self.headers, cookies=cookies, ).text
        self.parse_html(html)

    # 可获取并解析整个人人网内需要登录才能访问的地址
    def parse_html(self, html):
        parse_html = etree.HTML(html)
        r_list = parse_html.xpath('//*[@id="operate_area"]/div[1]/ul/li[1]/span/text()')
        print(r_list)

if __name__ == '__main__':
    spider = RenrenLogin()
    spider.get_html()