jupyterLab学习第三天-request的session、cookies初学习和练习

一、简介：

session是一种管理用户状态和信息的机制，与cookie的不同的是，session的数据是保存在服务器端。说的明白点就是session相当于一个虚拟的浏览器，在这个浏览器上处于一种保持登录的状态。

cookie是用来存储一些用户信息以便让服务器辨别用户身份的（大多数需要登录的网站上面会比较常见），比如cookie会存储一些用户的用户名和密码，当用户登录后就会在客户端产生一个cookie来存储相关信息，这样浏览器通过读取cookie的信息去服务器上验证并通过后会判定你是合法用户，从而允许查看相应网页。当然cookie里面的数据不仅仅是上述范围，还有很多信息可以存储是cookie里面，比如sessionid等。

二、特点：

1、requests库的session对象能够帮我们跨请求保持某些参数，也会在同一个session实例发出的所有请求之间保持cookies

2、requests库的session对象还能为我们提供请求方法的缺省数据，通过设置session对象的属性来实现

# 创建一个session对象

s = requests.Session()

# 两种发送请求的方法

s.get()：请求指定的页面信息，并返回实体主体。

s.post()：向指定资源提交数据进行处理请求（例如提交表单或者上传文件）。数据被包含在请求体中。POST 请求可能会导致新的资源的建立和/或已有资源的修改。

以及方法里的几种参数

post(url, headers=headers, data=data, cookies=cookie, timeout=3)分别是地址、相应头、提交的表达数据、cookies、响应超时时间

#几种参数的意义和获取方法（这里以爬取拉钩网实例，借鉴大佬原文：https://www.cnblogs.com/sui776265233/p/11146969.html#_label0

进入拉勾网官网

输入你想搜索的工作岗位我这里是输入的是：python工程师。然后右键点击检查或者F12,,使用检查功能查看网页源代码,当我们点击下一页观察浏览器的搜索栏的url并没有改变，这是因为拉勾网做了反爬虫机制, 职位信息并不在源代码里,而是保存在JSON的文件里,因此我们直接下载JSON,并使用字典方法直接读取数据.即可拿到我们想要的python职位相关的信息，

待爬取的python工程师职位信息如下：

为了能爬到我们想要的数据，我们要用程序来模拟浏览器来查看网页，所以我们在爬取的过程中会加上头信息，头信息也是我们通过分析网页获取到的，通过网页分析我们知道该请求的头信息，以及请求的信息和请求的方式是POST请求，这样我们就可以该url请求拿到我们想的数据做进一步处理

#url(你想爬取数据的地址)：https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false

#Request Headers

(请求头信息，我们爬取访问网站时候，需要带着请求访问，那又一部分的请求是放在请求头的，如UA ，cookies ，token 等等很多属性会放在里面进行访问！如果这里没有构造好的话，容易被网站识别为爬虫，被拒绝访问。)

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
'Host': 'www.lagou.com',
'Referer': 'https://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?labelWords=&fromSearch=true&suginput=',
'X-Anit-Forge-Code': '0',
'X-Anit-Forge-Token': 'None',
'X-Requested-With': 'XMLHttpRequest'
}

Authority：表示服务器的域名以及服务器所监听的端口号。如果所请求的端口是对应的服务的标准端口（80），则端口号可以省略。

Cookie：也作复数Cookies。它的主要功能是维持当前访问会话。当我们输入用户名和密码成功登录某个网站后，服务器会用会话保存登录状态信息，后面我们每次刷新或请求该站点的其他页面时，会发现都是登录状态，这就是 Cookies 的功劳。

Referer：此内容用来标识这个请求是从哪个页面发过来的，通常在访问链接时，都要带上Referer字段，服务器会进行来源验证，后台通常会用此字段作为防盗链的依据。

User-Agent：后台通常会通过此字段判断用户设备类型、系统以及浏览器的型号版本。如果不加此字段，很可能会被识别出为爬虫。

注：headers各属性作用https://blog.csdn.net/philos3/article/details/76946029

#data(常见的form表单可以直接使用data参数进行报文提交，模拟用户操作提交的数据):

如果像是在网站搜索时

data = {
'first': 'true',
'pn': num,
'kd': 'python工程师'}

pn是拉勾网搜索后显示数据栏的下标页数

kd则是我们搜索框输入的想查询的岗位

也可能是登录时

formdata = {

'email':'admin@wuaics.cn',

'password':'你的密码',

'_xsrf':_xsrf

}

包括需要输入的用户名、密码以及像_xsrf这种参数的页面校检码(如何获取这种参数下面两篇文章有讲解)

这里有两篇模拟登录的例子https://blog.csdn.net/xiaozhanger/article/details/78034015和https://www.jianshu.com/p/3c00d57d0244

#cookie(开头简介有介绍是干嘛的)

模拟登录时

也可以是不用data用设置cookies

例子：https://www.cnblogs.com/qican/p/11153824.html

我运行后的测试：

# coding:utf-8
import requests
# 保持登录状态
s = requests.session()
url = 'https://www.baidu.com/'
# 请求头
headers = {
     "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.183 Safari/537.36 Edg/86.0.622.63"
}
r = s.post(url,headers=headers)
# 查看的cookies值
cooks = {
    "BDUSS":"",
    "BAIDUID":""
}
# 添加登录所携带的cookies
c = requests.cookies.RequestsCookieJar()
c.set("BDUSS",cooks["BDUSS"])
c.set("BAIDUID",cooks["BAIDUID"])
s.cookies.update(c)
# 判断是否登录成功
r2 = s.get(url,headers=headers)
if '' in r2.text:
    print('登录成功')
else:
    print("登录失败")

爬取拉勾网时

除了data提交的表单数据外我们可能还需要一些其他的数据用户名、密码隐藏参数

这时候我们就需要去到我要爬取的的网页获取此时的cookies

1、可以手动赋值粘贴下来

2、也可以

url1 = 'https://www.lagou.com/jobs/list_python%E5%BC%80%E5%8F%91%E5%B7%A5%E7%A8%8B%E5%B8%88?labelWords=&fromSearch=true&suginput='
s.get(url=url1, headers=headers, timeout=3)
cookie = s.cookies

url1就是上面图里的

#响应状态码判断

r.raise_for_status()

理解Response类非常重要，Response这样的一个对象返回了所有的网页内容，那么它也提供了一个方法，叫raise_for_status()，这个方法是专门与异常打交道的方法，该方法有这样一个有趣的功能，它能够判断返回的Response类型状态是不是200。如果是200，他将表示返回的内容是正确的，如果不是200，他就会产生一个HttpError的异常。

#响应编码设置

res.encoding = 'utf-8'

请求发出后，Requests 会基于 HTTP 头部对响应的编码作出有根据的推测。当你访问 r.text 之时，Requests 会使用其推测的文本编码。你可以找出 Requests 使用了什么编码，并且能够使用r.encoding 属性来改变它：

#JSON 响应内容

Requests 中也有一个内置的 JSON 解码器，助你处理 JSON 数据，可以通过下列代码获取

r.json()

如果 JSON 解码失败， r.json() 就会抛出一个异常。例如，响应内容是 401 (Unauthorized)，尝试访问 r.json() 将会抛出 ValueError: No JSON object could be decoded 异常。

需要注意的是，成功调用 r.json() 并**不**意味着响应的成功。有的服务器会在失败的响应中包含一个 JSON 对象（比如 HTTP 500 的错误细节）。这种 JSON 会被解码返回。要检查请求是否成功，请使用 r.raise_for_status() 或者检查 r.status_code 是否和你的期望相同。

代码示例：

import requests

url = ' https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'


def get_json(url, num):
    """
    从指定的url中通过requests请求携带请求头和请求体获取网页中的信息,
    :return:
    """
    url1 = 'https://www.lagou.com/jobs/list_python%E5%BC%80%E5%8F%91%E5%B7%A5%E7%A8%8B%E5%B8%88?labelWords=&fromSearch=true&suginput='
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
        'Host': 'www.lagou.com',
        'Referer': 'https://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?labelWords=&fromSearch=true&suginput=',
        'X-Anit-Forge-Code': '0',
        'X-Anit-Forge-Token': 'None',
        'X-Requested-With': 'XMLHttpRequest'
    }
    data = {
        'first': 'true',
        'pn': num,
        'kd': 'python工程师'}
    s = requests.Session()
    print('建立session：', s, '\n\n')
    s.get(url=url1, headers=headers, timeout=3)
    cookie = s.cookies
    print('获取cookie：', cookie, '\n\n')
    res = requests.post(url, headers=headers, data=data, cookies=cookie, timeout=3)
    res.raise_for_status()
    res.encoding = 'utf-8'
    page_data = res.json()
    print('请求响应结果：', page_data, '\n\n')
    return page_data


print(get_json(url, 1))

posted @ 2020-11-08 23:09 晨起阅读(448) 评论(0) 编辑收藏举报

刷新页面返回顶部

woaiiu

jupyterLab学习第三天-request的session、cookies初学习和练习

公告