爬虫——cookie模拟登陆
cookie
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()