【Python】【进阶篇】二十、Python爬虫实现Cookie模拟登录
目录
- 二十、Python爬虫实现Cookie模拟登录
-
- 20.1 注册登录
- 20.2 分析网页结构
- 20.3 编写完整程序
二十、Python爬虫实现Cookie模拟登录
在使用爬虫采集数据的规程中，我们会遇到许多不同类型的网站，比如一些网站需要用户登录后才允许查看相关内容，如果遇到这种类型的网站，又应该如何编写爬虫程序呢？Cookie模拟登录技术成功地解决了此类问题。
Cookie 是一个记录了用户登录状态以及用户属性的加密字符串。当你第一次登陆网站时，服务端会在返回的 Response Headers 中添加Cookie， 浏览器接收到响应信息后，会将 Cookie 保存至浏览器本地存储中，当你再次向该网站发送请求时，请求头中就会携带Cookie，这样服务器通过读取 Cookie 就能识别登陆用户了。
提示：我们所熟知的“记住密码”功能，以及“老用户登陆”欢迎语，这些都是通过 Cookie 实现的。
下面介绍如何实现 Cookie 模拟登录，本节以模拟登录人人网（http://life.renren.com/）为例进行讲解。
20.1 注册登录
首先你要注册一个人人网的账号，注册过中要填写个人资料，以便后续抓取数据使用。注册成功后点击上方头像进入我的主页（或左侧主页选项卡），如下图所示：
然后使用 F12 打开调试工具，刷新页面来抓取登录时的数据包（包名：timeline…开头）， 并在 Headers 选项中找到请求头中的 Cookie信息，将 Cookie 值拷贝下来，以备后续使用。如下所示：
20.2 分析网页结构
确定了 Cookie 信息后，接下来分析页面元素结构。通过调试工具审查如图 1 所示的个人信息栏，其元素结构如下：
<div id="operate_area" class="clearfix">
<div class="tl-information">
<ul>
<li class="school"><span>就读于电子科技大学span>li>
<li class="birthday">
<span>男生span>
<span>，7月7日span>
li>
<li class="hometown">来自北京西城区li>
<li class="address">现居 北京li>
ul>
...
div>
div>
由此可知其 Xpath 表达式为：
r_school = parse_html.xpath('//*[@id="operate_area"]/div[1]/ul/li[1]/span/text()'
r_birthday = parse_html.xpath('//li[@class="birthday"]/span/text()')
home_info=parse_html.xpath('//*[@id="operate_area"]/div[1]/ul/li/text()')
20.3 编写完整程序
完成程序如下所示：
import requests
from lxml import etree
class RenrenLogin(object):
def __init__(self):
# 个人主页的url地址
self.url = 'http://www.renren.com/972496145/profile'
self.headers = {
# 将拷贝的cookie值放在此处
'Cookie':'anonymid=kmol2vxqgd4n0e; depovince=HEB; _r01_=1; ick_login=c577d6c0-0ec3-465a-89d0-9e2b8f23e107; taihe_bi_sdk_uid=0738130d7f4532165841f09abc596215; taihe_bi_sdk_session=6277ea795624ba1eddb2603d7fe45c85; _de=1D29BC9596B9643C92425970B59A3DAE; p=3e6989099ff75de92407b791266376095; first_login_flag=1; ln_uact=18519784236; ln_hurl=http://hdn.xnimg.cn/photos/hdn321/20191017/0945/h_main_El46_9a13000ecbe41986.jpg; t=7f25f8a4d3515786d146143f63d108b25; societyguester=7f25f8a4d3515786d146143f63d108b25; id=972496145; xnsid=9770206d; wpsid=15900539012757; ver=7.0; loginfrom=null; wp_fold=0; jebecookies=59f8dfaf-8416-4dbc-a539-016a7ae1b6c5|||||',
# 注意，useragent不能改变，否则cookie失效
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36'
}
def get_html(self):
html = requests.get(url=self.url,headers=self.headers).text
self.parse_html(html)
def parse_html(self,html):
parse_html = etree.HTML(html)
r_school = parse_html.xpath('//*[@id="operate_area"]/div[1]/ul/li[1]/span/text()')
print(r_school)
r_birthday = parse_html.xpath('//li[@class="birthday"]/span/text()')
print(r_birthday)
home_info=parse_html.xpath('//*[@id="operate_area"]/div[1]/ul/li/text()')
item = {}
item['hometown'] = home_info[2].strip()
item['address'] = home_info[3].strip()
print(item)
if __name__ == '__main__':
spider = RenrenLogin()
spider.get_html()
最后关闭“人人网”网站，运行上述程序，其结果如下：
['就读于电子科技大学']
['男生', '，7月7日']
{'hometown': '来自 北京 西城区', 'address': '现居 上海'}