webMagic解析淘宝cookie 提示Invalid cookie header

　　webMagic解析淘宝cookie 提示Invalid cookie header

 在使用webMagic框架做爬虫爬取淘宝极又家页面时候一直提醒cookie设置不可用如下图

 

　　淘宝的验证特别严重，cookie没有正常设置进去后面会频繁弹出验证页面，这是我们不想看到的。为了解决这个问题，debug进入源码。

    /**
     *  摘选自org.apache.http.impl.cookie.RFC2965Spec
　　　*/

    @Override
    public List parse(
            final Header header,
            final CookieOrigin origin) throws MalformedCookieException {
        Args.notNull(header, "Header");
        Args.notNull(origin, "Cookie origin");
        if (!header.getName().equalsIgnoreCase(SM.SET_COOKIE2)) {
            throw new MalformedCookieException("Unrecognized cookie header '"
                    + header.toString() + "'");
        }
        final HeaderElement[] elems = header.getElements();
        return createCookies(elems, adjustEffectiveHost(origin));
    }

    /**
     *  摘选自org.apache.http.impl.cookie.RFC2965Spec
　　　*
     */
　　public interface SM {
    　　public static final String COOKIE            = "Cookie";
   　　 public static final String COOKIE2           = "Cookie2";
   　　 public static final String SET_COOKIE        = "Set-Cookie";
    　　public static final String SET_COOKIE2       = "Set-Cookie2";
}

 

　　走到这边就大概明白了，这边cookie的解析规则用的RFC2965Spec,而淘宝的cookie不是遵循此规则。

　　期间去网上找了一下资料,大概了解了一下CookieSpec到底是个什么玩意。了解完了问题，接下来就是解决问题。

---

 

　  

　　解决的过程中，使用了各种骚操作，没有任何卵用，就不赘述。最后还是debug进入webMagic的源码，查找原因，看到HttpUriRequestConverter类时发现了问题

　　- -！这边写死了。使用标准模式解析其实和合理，然而并不是所有网站都是遵循标准来实现的。

 

1  if (site != null) {
2             requestConfigBuilder.setConnectionRequestTimeout(site.getTimeOut())
3                     .setSocketTimeout(site.getTimeOut())
4                     .setConnectTimeout(site.getTimeOut())
5                     //爬虫Cookie不能识别
6                     .setCookieSpec(CookieSpecs.BROWSER_COMPATIBILITY);
7         }

   稍作修改，问题消失了。

   然而这种将代码写死的做法并不推荐，应该做成可配置的，默认使用标准的CookieSpec才是比较合理。

 

转载于:https://www.cnblogs.com/null-qige/p/7978770.html