Python爬虫使用浏览器的cookies：browsercookie

 

很多用Python的人可能都写过网络爬虫，自动化获取网络数据确实是一件令人愉悦的事情，而Python很好的帮助我们达到这种愉悦。然而，爬虫经常要碰到各种登录、验证的阻挠，让人灰心丧气（网站：天天碰到各种各样的爬虫抓我们网站，也很让人灰心丧气～）。爬虫和反爬虫就是一个猫和老鼠的游戏，道高一尺魔高一丈，两者反复纠缠。

由于http协议的无状态性，登录验证都是通过传递cookies来实现的。通过浏览器登录一次，登录信息的cookie是就会被浏览器保存下来。下次再打开该网站时，浏览器自动带上保存的cookies，只有cookies还未过期，对于网站来说你就还是登录状态的。

browsercookie模块就是这样一个从浏览器提取保存的cookies的工具。它是一个很有用的爬虫工具，通过加载你浏览器的cookies到一个cookiejar对象里面，让你轻松下载需要登录的网页内容。

安装

pip install browsercookie

在Windows系统中，内置的sqlite模块在加载FireFox数据库时会抛出错误。需要更新sqlite的版本：
pip install pysqlite

使用方法

下面是从网页提取标题的例子：

>>> import re
>>> get_title = lambda html: re.findall('<title>(.*?)</title>', html, flags=re.DOTALL)[0].strip()

 

下面是未登录状况下下载得到的标题：

>>> import urllib2
>>> url = 'https://bitbucket.org/'
>>> public_html = urllib2.urlopen(url).read()
>>> get_title(public_html)
'Git and Mercurial code management for teams'

 

接下来使用browsercookie从登录过Bitbucket的FireFox里面获取cookie再下载：

>>> import browsercookie
>>> cj = browsercookie.firefox()
>>> opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
>>> login_html = opener.open(url).read()
>>> get_title(login_html)
'richardpenman / home — Bitbucket'

 

上面是Python2的代码，再试试 Python3:

>>> import urllib.request
>>> public_html = urllib.request.urlopen(url).read()
>>> opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))

 

你可以看到你的用户名出现在title里面了，说明browsercookie模块成功从FireFox加载了cookies。

下面是使用requests的例子，这次我们从Chrome里面加载cookies，当然你需要事先用Chrome登录Bitbucket：

>>> import requests
>>> cj = browsercookie.chrome()
>>> r = requests.get(url, cookies=cj)
>>> get_title(r.content)
'richardpenman / home — Bitbucket'

 

如果你不知道或不关心那个浏览器有你需要的cookies，你可以这样操作：

>>> cj = browsercookie.load()
>>> r = requests.get(url, cookies=cj)
>>> get_title(r.content)
'richardpenman / home — Bitbucket'

 

支持

目前，该模块支持以下平台：

Chrome: Linux, OSX, Windows
Firefox: Linux, OSX, Windows

目前该模块测试过的浏览器版本还不是很多，你使用过程中可能会遇到问题，可以向作者提交问题：

https://bitbucket.org/richardpenman/browsercookie/

 

文章首发于我的个人博客：猿人学