Python爬蟲使用瀏覽器cookies:browsercookie過程解析
很多用Python的人可能都寫過網路爬蟲,自動化獲取網路資料確實是一件令人愉悅的事情,而Python很好的幫助我們達到這種愉悅。然而,爬蟲經常要碰到各種登入、驗證的阻撓,讓人灰心喪氣(網站:天天碰到各種各樣的爬蟲抓我們網站,也很讓人灰心喪氣~)。爬蟲和反爬蟲就是一個貓和老鼠的遊戲,道高一尺魔高一丈,兩者反覆糾纏。
由於http協議的無狀態性,登入驗證都是通過傳遞cookies來實現的。通過瀏覽器登入一次,登入資訊的cookie是就會被瀏覽器儲存下來。下次再開啟該網站時,瀏覽器自動帶上儲存的cookies,只有cookies還未過期,對於網站來說你就還是登入狀態的。
browsercookie模組就是這樣一個從瀏覽器提取儲存的cookies的工具。它是一個很有用的爬蟲工具,通過載入你瀏覽器的cookies到一個cookiejar物件裡面,讓你輕鬆下載需要登入的網頁內容。
安裝
pip install browsercookie
在Windows系統中,內建的sqlite模組在載入FireFox資料庫時會丟擲錯誤。需要更新sqlite的版本:
pip install pysqlite
使用方法
下面是從網頁提取標題的例子:
>>> import re >>> get_title = lambda html: re.findall('<title>(.*?)</title>',html,flags=re.DOTALL)[0].strip()
下面是未登入狀況下下載得到的標題:
>>> import urllib2 >>> url = 'https://bitbucket.org/' >>> public_html = urllib2.urlopen(url).read() >>> get_title(public_html) 'Git and Mercurial code management for teams'
接下來使用browsercookie從登入過Bitbucket的FireFox裡面獲取cookie再下載:
>>> import browsercookie >>> cj = browsercookie.firefox() >>> opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj)) >>> login_html = opener.open(url).read() >>> get_title(login_html) 'richardpenman / home — Bitbucket'
上面是Python2的程式碼,再試試 Python3:
>>> import urllib.request >>> public_html = urllib.request.urlopen(url).read() >>> opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))
你可以看到你的使用者名稱出現在title裡面了,說明browsercookie模組成功從FireFox載入了cookies。小編整理一套Python資料和PDF,有需要Python學習資料可以加學習群:631441315 ,反正閒著也是閒著呢,不如學點東西啦~~
下面是使用requests的例子,這次我們從Chrome裡面載入cookies,當然你需要事先用Chrome登入Bitbucket:
>>> import requests >>> cj = browsercookie.chrome() >>> r = requests.get(url,cookies=cj) >>> get_title(r.content) 'richardpenman / home — Bitbucket'
如果你不知道或不關心那個瀏覽器有你需要的cookies,你可以這樣操作:
>>> cj = browsercookie.load() >>> r = requests.get(url,cookies=cj) >>> get_title(r.content) 'richardpenman / home — Bitbucket'
支援
目前,該模組支援以下平臺:
Chrome: Linux,OSX,Windows
Firefox: Linux,Windows
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支援我們。