python爬虫之cookie的使用

Cookie，指某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据（通常经过加密）

比如说有些网站需要登录后才能访问某个页面，在登陆之前，你想抓取某个页面内容是不允许的。那么我们可以利用urllib库保存我们登陆的cookie，然后抓取其他页面就达到目的了。

1.Opener

当你获取一个URL时，你使用一个opener。在前面，我们使用的都是默认的opener，也就是urlopen。它是一个特殊的opener，可以理解成opener的一个特殊实例，传入的参数仅仅是url，data，timeout。

如果我们需要用到Cookie，只用这个opener是不能达到目的的，所以需要创建更一般的opener来实现对cookie的设置。

2.Cookielib

cookielib模块的主要作用是提供可存储cookie的对象，以便于与urllib模块配合使用来访问Internet资源。Cookielib模块非常强大，我们可以利用本模块的CookieJar类的对象来捕获cookie并在后续连接请求时重新发送，比如可以实现模拟登录功能。该模块主要的对象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。

它们的关系：CookieJar —-派生—->FileCookieJar  —-派生—–>MozillaCookieJar和LWPCookieJar

（1）获取cookie保存到变量

首先，我们先利用CookieJar对象实现获取cookie的功能，存储到变量中：

（python3中将cookielib改成了 http.cookiejar）

import urllib.request
import http.cookiejar
cookie=http.cookiejar.CookieJar()
#声明一个CookieJar对象实例来保存cookie
handler=urllib.request.HTTPCookieProcessor(cookie)
#通过urllib库的HTTPCookieProcessor对象来创建cookie处理器
opener=urllib.request.build_opener(handler)
#通过handler来构建opener
response=opener.open('http://www.baidu.com')
#此处的open方法同urllib的urlopen方法，也可以传入request
for item in cookie:
    print('Name= '+item.name)
    print('Value= '+item.value)

运行结果：

Name= BAIDUID
Value= 9689FC72C262647C8950A2822C8C67CA:FG=1
Name= BIDUPSID
Value= 9689FC72C262647C8950A2822C8C67CA
Name= H_PS_PSSID
Value= 1422_21105_17001_20927
Name= PSTM
Value= 1490773982
Name= BDSVRTM
Value= 0
Name= BD_HOME
Value= 0

2）保存Cookie到文件

在上面的方法中，我们将cookie保存到了cookie这个变量中，如果我们想将cookie保存到文件中该怎么做呢？这时，我们就要用到

FileCookieJar这个对象了，在这里我们使用它的子类MozillaCookieJar来实现Cookie的保存

import urllib.request
import http.cookiejar
filename='cookie.txt'
#设置保存cookie的文件，同级目录下的cookie.txt
cookie=http.cookiejar.MozillaCookieJar(filename)
#声明一个MozillaCookieJar对象实例来保存cookie，之后写入文件
handler=urllib.request.HTTPCookieProcessor(cookie)
#利用HTTPCookieProcessor对象来创建cookie处理器
opener=urllib.request.build_opener(handler)
#通过handler来构建opener
response=opener.open("http://www.baidu.com")
#创建一个请求，原理同urllib的urlopen
cookie.save(ignore_discard=True,ignore_expires=True)
#ignore_discard的意思是即使cookies将被丢弃也将它保存下来
# ignore_expires的意思是如果在该文件中cookies已经存在，则覆盖原文件写入
# 在这里，我们将这两个全部设置为True

运行结果：

# Netscape HTTP Cookie File
# http://curl.haxx.se/rfc/cookie_spec.html
# This is a generated file!  Do not edit.

.baidu.com TRUE   /  FALSE  3638258686 BAIDUID    228A4EA883C0DFD8E21D90DBB57F54B7:FG=1
.baidu.com TRUE   /  FALSE  3638258686 BIDUPSID   228A4EA883C0DFD8E21D90DBB57F54B7
.baidu.com TRUE   /  FALSE     H_PS_PSSID 1444_21088_22175_22158
.baidu.com TRUE   /  FALSE  3638258686 PSTM   1490774810
www.baidu.com  FALSE  /  FALSE     BDSVRTM    0
www.baidu.com  FALSE  /  FALSE     BD_HOME    0

3）从文件中获取Cookie并访问

那么我们已经做到把Cookie保存到文件中了，如果以后想使用，可以利用下面的方法来读取cookie并访问网站，感受一下

import http.cookiejar
import urllib.request
cookie=http.cookiejar.MozillaCookieJar()
#创建MozillaCookieJar实例对象
cookie.load('cookie.txt',ignore_discard=True,ignore_expires=True)
#从文件中读取cookie内容到变量
request=urllib.request.Request("http://www.baidu.com")
#创建请求的request
handler=urllib.request.HTTPCookieProcessor(cookie)
#利用HTTPCookieProcessor对象来创建cookie处理器
opener=urllib.request.build_opener(handler)
#通过handler来创建opener
response=opener.open(request)
print(response.read())

运行部分结果：

设想，如果我们的 cookie.txt 文件中保存的是某个人登录百度的cookie，那么我们提取出这个cookie文件内容，就可以用以上方法模拟这个人的账号登录百度。

 4）利用cookie模拟网站登录

模拟登陆我们学校的网站：

import urllib.request
import http.cookiejar
import urllib.parse
filename='cookie.txt'
cookie=http.cookiejar.MozillaCookieJar(filename)
#声明一个MozillaCookieJar对象实例来保存cookie，之后写入文件中
handler=urllib.request.HTTPCookieProcessor(cookie)
#利用HTTPCookieProcessor对象来创建cookie处理器
opener=urllib.request.build_opener(handler)
#通过handler来创建opener
postdata=urllib.parse.urlencode({
    'stuid':'21xxxxxx',
    'pwd':'xxxxxx'}).encode(encoding='utf-8')
loginurl='http://cas.dhu.edu.cn/authserver/login?service=http%3A%2F%2Fmy.dhu.edu.cn%2Findex.portal'
#登录学校教务系统的url
result=opener.open(loginurl,postdata)
#模拟登陆，并把cookie保存到变量
cookie.save(ignore_discard=True,ignore_expires=True)
#保存cookie到cookie.txt文件中
gradeurl='http://xkzx.dhu.edu.cn/manage'
#请求访问成绩查询网址
result=opener.open(gradeurl)
print(result.read())

程序原理：

创建一个带有cookie的opener，在访问登录的url时，将登录后的cookie保存下来，然后利用这个cookie来访问其他网址。如登陆之后才能查看的成家本学期的课表啊

部分内容转载自： 静觅 » Python爬虫入门六之Cookie的使用