Python 爬虫从入门到进阶之路（六）

在之前的文章中我们介绍了一下 opener 应用中的 ProxyHandler 处理器（代理设置），本篇文章我们再来看一下 opener 中的 Cookie 的使用。

Cookie 是指某些网站服务器为了辨别用户身份和进行Session跟踪，而储存在用户浏览器上的文本文件，Cookie可以保持登录信息到用户下次与服务器的会话。

HTTP是无状态的面向连接的协议, 为了保持连接状态, 引入了Cookie机制 Cookie是http消息头中的一种属性，包括：

Cookie名字（Name）
Cookie的值（Value）
Cookie的过期时间（Expires/Max-Age）
Cookie作用路径（Path）
Cookie所在域名（Domain），
使用Cookie进行安全连接（Secure）。

前两个参数是Cookie应用的必要条件，另外，还包括Cookie大小（Size，不同浏览器对Cookie个数及大小限制是有差异的）。

Cookie由变量名和值组成，根据 Netscape公司的规定，Cookie格式如下：

Set－Cookie: NAME=VALUE；Expires=DATE；Path=PATH；Domain=DOMAIN_NAME；SECURE

Cookie应用

Cookies在爬虫方面最典型的应用是判定注册用户是否已经登录网站，用户可能会得到提示，是否在下一次进入此网站时保留用户信息以便简化登录手续。

 1 import urllib.request
 2 
 3 # 1. 构建一个已经登录过的用户的headers信息
 4 headers = {
 5     \"User-Agent\": \"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36\",
 6     \"Cookie\": \"anonymid=jurpmxe9-orl7u3;\"
 7               \"depovince=BJ;\"
 8               \" _r01_=1; \"
 9               \"JSESSIONID=abcwYLyIY7VNIhCDVWcPw;\"
10               \" jebe_key=f6fb270b-d06d-42e6-8b53-e67c3156aa7e%7Cc13c37f53bca9e1e7132d4b58ce00fa3%7C1484060607478%7C1%7C1484060607173;\"
11               \" jebecookies=f1fd29c4-bd08-4d66-8834-72e42b70d2cb|||||; \"
12               \"ick_login=0f790ea2-c8bf-4d64-a394-36745febeb26;\"
13               \" _de=622DE758381206EB340E4CEC836F3769696BF75400CE19CC;\"
14               \" p=7e50f3fe10ca320e36dae001c72d392d3;\"
15               \" ap=327550029;\"
16               \" first_login_flag=1;\"
17               \" ln_uact=562352353@qq.com;\"
18               \" ln_hurl=http://hdn.xnimg.cn/photos/hdn121/20120930/2035/h_main_hcDy_40fc000002d91375.jpg;\"
19               \" t=d7c6ae064b81ae15f5b91f5897dc61553;\"
20               \" societyguester=d7c6ae064b81ae15f5b91f5897dc61553;\"
21               \" id=485439163;\"
22               \" xnsid=bc995dc8;\"
23               \" ver=7.0;\"
24               \" loginfrom=null\"
25 }
26 
27 # 2. 通过headers里的报头信息（主要是Cookie信息），构建Request对象
28 request = urllib.request.Request(\"http://www.renren.com\", headers=headers)
29 
30 # 3. 直接访问renren主页，服务器会根据headers报头信息（主要是Cookie信息），判断这是一个已经登录的用户，并返回相应的页面
31 response = urllib.request.urlopen(request)
32 
33 # 4. 打印响应内容
34 print(response.read().decode(\"utf-8\"))

但是这样做太过复杂，我们先需要在浏览器登录账户，并且设置保存密码，并且通过抓包才能获取这个Cookie，那有么有更简单方便的方法呢？

cookielib库 和 HTTPCookieProcessor处理器

在Python处理Cookie，一般是通过 http 模块的 cookiejar 模块和 urllib 模块的 HTTPCookieProcessor 处理器类一起使用。

cookiejar模块：主要作用是提供用于存储cookie的对象

HTTPCookieProcessor处理器：主要作用是处理这些cookie对象，并构建handler对象。

 1 import urllib.request
 2 import urllib.parse
 3 from http import cookiejar
 4 
 5 # 1. 构建一个CookieJar对象实例来保存cookie
 6 cookie = cookiejar.CookieJar()
 7 
 8 # 2. 使用HTTPCookieProcessor()来创建cookie处理器对象，参数为CookieJar()对象
 9 cookie_handler = urllib.request.HTTPCookieProcessor(cookie)
10 
11 # 3. 通过 build_opener() 来构建opener
12 opener = urllib.request.build_opener(cookie_handler)
13 
14 # 4. addheaders 接受一个列表，里面每个元素都是一个headers信息的元祖, opener将附带headers信息
15 opener.addheaders = [(\"User-Agent\",
16                       \"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36\")]
17 
18 # 5. 需要登录的账户和密码
19 data = {\"email\": \"562352353@qq.com\", \"password\": \"chen562352353\"}
20 
21 # 6. 通过urlencode()转码
22 postdata = urllib.parse.urlencode(data).encode(\"utf-8\")
23 
24 # 7. 构建Request请求对象，包含需要发送的用户名和密码
25 request = urllib.request.Request(\"http://www.renren.com/PLogin.do\", data=postdata)
26 
27 # 8. 通过opener发送这个请求，并获取登录后的Cookie值，
28 opener.open(request)
29 
30 # 9. opener包含用户登录后的Cookie值，可以直接访问那些登录后才可以访问的页面
31 response = opener.open(\"http://www.renren.com/485439163\")
32 
33 # 10. 打印响应内容
34 print(response.read().decode(\"utf-8\"))

 模拟登录要注意几点：

1. 登录一般都会先有一个HTTP GET，用于拉取一些信息及获得Cookie，然后再HTTP POST登录。
2. HTTP POST登录的链接有可能是动态的，从GET返回的信息中获取。
3. password 有些是明文发送，有些是加密后发送。有些网站甚至采用动态加密的，同时包括了很多其他数据的加密信息，只能通过查看JS源码获得加密算法，再去破解加密，非常困难。
4. 大多数网站的登录整体流程是类似的，可能有些细节不一样，所以不能保证其他网站登录成功。