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