25-3 requests模块的cookie和代理操作

一.基于requests模块的cookie操作

引言:有些时候,我们在使用爬虫程序去爬取一些用户相关信息的数据(爬取张三“人人网”个人主页数据)时,如果使用之前requests模块常规操作时,往往达不到我们想要的目的,例如:

 1 #!/usr/bin/env python
 2 # -*- coding:utf-8 -*-
 3 import requests
 4 if __name__ == "__main__":
 5
 6     #张三人人网个人信息页面的url
 7     url = ‘http://www.renren.com/289676607/profile‘
 8
 9    #伪装UA
10     headers={
11         ‘User-Agent‘: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36‘,
12     }
13     #发送请求,获取响应对象
14     response = requests.get(url=url,headers=headers)
15     #将响应内容写入文件
16     with open(‘./renren.html‘,‘w‘,encoding=‘utf-8‘) as fp:
17         fp.write(response.text)

- 结果发现,写入到文件中的数据,不是张三个人页面的数据,而是人人网登陆的首页面,why?首先我们来回顾下cookie的相关概念及作用:

    - cookie概念:当用户通过浏览器首次访问一个域名时,访问的web服务器会给客户端发送数据,以保持web服务器与客户端之间的状态保持,这些数据就是cookie。

    - cookie作用:我们在浏览器中,经常涉及到数据的交换,比如你登录邮箱,登录一个页面。我们经常会在此时设置30天内记住我,或者自动登录选项。那么它们是怎么记录信息的呢,答案就是今天的主角cookie了,Cookie是由HTTP服务器设置的,保存在浏览器中,但HTTP协议是一种无状态协议,在数据交换完毕后,服务器端和客户端的链接就会关闭,每次交换数据都需要建立新的链接。就像我们去超市买东西,没有积分卡的情况下,我们买完东西之后,超市没有我们的任何消费信息,但我们办了积分卡之后,超市就有了我们的消费信息。cookie就像是积分卡,可以保存积分,商品就是我们的信息,超市的系统就像服务器后台,http协议就是交易的过程。

- 经过cookie的相关介绍,其实你已经知道了为什么上述案例中爬取到的不是张三个人信息页,而是登录页面。那应该如何抓取到张三的个人信息页呢?

  思路:

    1.我们需要使用爬虫程序对人人网的登录时的请求进行一次抓取,获取请求中的cookie数据

    2.在使用个人信息页的url进行请求时,该请求需要携带 1 中的cookie,只有携带了cookie后,服务器才可识别这次请求的用户信息,方可响应回指定的用户信息页数据

 1 #!/usr/bin/env python
 2 # -*- coding:utf-8 -*-
 3 import requests
 4 if __name__ == "__main__":
 5
 6     #登录请求的url(通过抓包工具获取)
 7     post_url = ‘http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471‘
 8     #创建一个session对象,该对象会自动将请求中的cookie进行存储和携带
 9     session = requests.session()
10    #伪装UA
11     headers={
12         ‘User-Agent‘: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36‘,
13     }
14     formdata = {
15         ‘email‘: ‘17701256561‘,
16         ‘icode‘: ‘‘,
17         ‘origURL‘: ‘http://www.renren.com/home‘,
18         ‘domain‘: ‘renren.com‘,
19         ‘key_id‘: ‘1‘,
20         ‘captcha_type‘: ‘web_login‘,
21         ‘password‘: ‘7b456e6c3eb6615b2e122a2942ef3845da1f91e3de075179079a3b84952508e4‘,
22         ‘rkey‘: ‘44fd96c219c593f3c9612360c80310a3‘,
23         ‘f‘: ‘https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3Dm7m_NSUp5Ri_ZrK5eNIpn_dMs48UAcvT-N_kmysWgYW%26wd%3D%26eqid%3Dba95daf5000065ce000000035b120219‘,
24     }
25     #使用session发送请求,目的是为了将session保存该次请求中的cookie
26     session.post(url=post_url,data=formdata,headers=headers)
27
28     get_url = ‘http://www.renren.com/960481378/profile‘
29     #再次使用session进行请求的发送,该次请求中已经携带了cookie
30     response = session.get(url=get_url,headers=headers)
31     #设置响应内容的编码格式
32     response.encoding = ‘utf-8‘
33     #将响应内容写入文件
34     with open(‘./renren.html‘,‘w‘) as fp:
35         fp.write(response.text)

二.基于requests模块的代理操作

  • 什么是代理

    • 代理就是第三方代替本体处理相关事务。例如:生活中的代理:代购,中介,微商......
  • 爬虫中为什么需要使用代理
    • 一些网站会有相应的反爬虫措施,例如很多网站会检测某一段时间某个IP的访问次数,如果访问频率太快以至于看起来不像正常访客,它可能就会会禁止这个IP的访问。所以我们需要设置一些代理IP,每隔一段时间换一个代理IP,就算IP被禁止,依然可以换个IP继续爬取。
  • 代理的分类:
    • 正向代理:代理客户端获取数据。正向代理是为了保护客户端防止被追究责任。
    • 反向代理:代理服务器提供数据。反向代理是为了保护服务器或负责负载均衡。
  • 免费代理ip提供网站
    • http://www.goubanjia.com/
    • 西祠代理
    • 快代理
  • 代码
     1 #!/usr/bin/env python
     2 # -*- coding:utf-8 -*-
     3 import requests
     4 import random
     5 if __name__ == "__main__":
     6     #不同浏览器的UA
     7     header_list = [
     8         # 遨游
     9         {"user-agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)"},
    10         # 火狐
    11         {"user-agent": "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"},
    12         # 谷歌
    13         {
    14             "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"}
    15     ]
    16     #不同的代理IP
    17     proxy_list = [
    18         {"http": "112.115.57.20:3128"},
    19         {‘http‘: ‘121.41.171.223:3128‘}
    20     ]
    21     #随机获取UA和代理IP
    22     header = random.choice(header_list)
    23     proxy = random.choice(proxy_list)
    24
    25     url = ‘http://www.baidu.com/s?ie=UTF-8&wd=ip‘
    26     #参数3:设置代理
    27     response = requests.get(url=url,headers=header,proxies=proxy)
    28     response.encoding = ‘utf-8‘
    29
    30     with open(‘daili.html‘, ‘wb‘) as fp:
    31         fp.write(response.content)
    32     #切换成原来的IP
    33     requests.get(url, proxies={"http": ""})
    34  

原文地址:https://www.cnblogs.com/huningfei/p/9900206.html

时间: 2024-10-08 05:50:12

25-3 requests模块的cookie和代理操作的相关文章

python使用requests模块完成get/post/代理/自定义header/自定义cookies

一.背景说明 由于python3的urllib与python2有不少差别,而且urllib.request请求的一些写法不太符合人的思维习惯(文档也相当难看) 所以搞得真不太想用python,直到看urllib.request文档时注意到下边这句话 比较起来requests确实比较好用,文档也当清晰:需要自己额外安装一下,但仍比较推荐使用. 1.1 适用版本 适用于python2.6.python2.7.python3.4及以上版本,参见官方说明. 我这里使用的是当前最新的python3.7.

03 requests模块基础

1. requests 模块简介 什么是requests 模块 requests模块是python中原生的基于网络请求的模块,功能强大,用法简洁高效.在爬虫领域中占据着半壁江山的地位.requests模块作用:模拟浏览器发请求. 为什么要使用requests 模块 因为在使用urllib模块的时候,会有诸多不便之处,总结如下: 手动处理url编码 手动处理post请求参数 处理cookie和代理操作繁琐 ...... 而使用requests模块的优势: 自动处理url编码 自动处理post请求参

04,Python网络爬虫之requests模块(1)

Requests 唯一的一个非转基因的 Python HTTP 库,人类可以安全享用. 警告:非专业使用其他 HTTP 库会导致危险的副作用,包括:安全缺陷症.冗余代码症.重新发明轮子症.啃文档症.抑郁.头疼.甚至死亡. 今日概要 基于requests的get请求 基于requests模块的post请求 基于requests模块ajax的get请求 基于requests模块ajax的post请求 综合项目练习:爬取国家药品监督管理总局中基于中华人民共和国化妆品生产许可证相关数据 知识点回顾 常见

爬虫之cookie与代理

一, 基于requests模块的cookie操作 引言:有些时候,我们在使用爬虫程序去爬取一些用户相关信息的数据(爬取张三“人人网”个人主页数据)时,如果使用之前requests模块常规操作时,往往达不到我们想要的目的,例如: #!/usr/bin/env python # -*- coding:utf-8 -*- import requests if __name__ == "__main__": #张三人人网个人信息页面的url url = 'http://www.renren.c

Python网络爬虫-requests模块(II)

有些时候,我们在使用爬虫程序去爬取一些用户相关信息的数据(爬取张三“人人网”个人主页数据)时,如果使用之前requests模块常规操作时,往往达不到我们想要的目的,例如: #!/usr/bin/env python # -*- coding:utf-8 -*- import requests if __name__ == "__main__": #张三人人网个人信息页面的url url = 'http://www.renren.com/289676607/profile' #伪装UA

网络爬虫之requests模块

一 . requests模块的学习 什么是requests模块 ? requests模块是python中原生的基于网络请求的模块,其主要作用是用来模拟浏览器发起请求.功能强大,用法简洁高效.在爬虫领域中占据着半壁江山的地位. 为什么要使用requests模块 因为在使用urllib模块的时候,会有诸多不便之处,总结如下: 手动处理url编码 手动处理post请求参数 处理cookie和代理操作繁琐 ...... 使用requests模块: 自动处理url编码 自动处理post请求参数 简化coo

03.requests模块(1)

目录 03.requests模块(1) 展开requests模块的学习 代码实例 需求:爬取搜狗指定词条搜索后的页面数据 需求:登录豆瓣电影,爬取登录成功后的页面数据 需求:爬取豆瓣电影分类排行榜 https://movie.douban.com/中的电影详情数据 需求:爬取肯德基餐厅查询http://www.kfc.com.cn/kfccda/index.aspx中指定地点的餐厅数据 需求:爬取国家药品监督管理总局中基于中华人民共和国化妆品生产许可证相关数据 03.requests模块(1)

爬虫学习 04.Python网络爬虫之requests模块(1)

爬虫学习 04.Python网络爬虫之requests模块(1) 引入 Requests 唯一的一个非转基因的 Python HTTP 库,人类可以安全享用. 警告:非专业使用其他 HTTP 库会导致危险的副作用,包括:安全缺陷症.冗余代码症.重新发明轮子症.啃文档症.抑郁.头疼.甚至死亡. 今日概要 基于requests的get请求 基于requests模块的post请求 基于requests模块ajax的get请求 基于requests模块ajax的post请求 综合项目练习:爬取国家药品监

爬虫学习 06.Python网络爬虫之requests模块(2)

爬虫学习 06.Python网络爬虫之requests模块(2) 今日内容 session处理cookie proxies参数设置请求代理ip 基于线程池的数据爬取 知识点回顾 xpath的解析流程 bs4的解析流程 常用xpath表达式 常用bs4解析方法 了解cookie和session - 无状态的http协议 如上图所示,HTTP协议 是无状态的协议,用户浏览服务器上的内容,只需要发送页面请求,服务器返回内容.对于服务器来说,并不关心,也并不知道是哪个用户的请求.对于一般浏览性的网页来说