25-3 requests模組的cookie和代理操作
一.基於requests模組的cookie操作
引言:有些時候,我們在使用爬蟲程式去爬取一些使用者相關資訊的資料(爬取張三“人人網”個人主頁資料)時,如果使用之前requests模組常規操作時,往往達不到我們想要的目的,例如:
1 #!/usr/bin/env python 2 # -*- coding:utf-8 -*- 3 import requests 4 if __name__ == "__main__": 5 6 #張三人人網個人資訊頁面的url 7 url = 'http://www.renren.com/289676607/profile' 8 9#偽裝UA 10 headers={ 11 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36', 12 } 13 #傳送請求,獲取響應物件 14 response = requests.get(url=url,headers=headers) 15 #將響應內容寫入檔案 16 with open('./renren.html','w',encoding='utf-8') as fp: 17 fp.write(response.text)
- 結果發現,寫入到檔案中的資料,不是張三個人頁面的資料,而是人人網登陸的首頁面,why?首先我們來回顧下cookie的相關概念及作用:
- cookie概念:當用戶通過瀏覽器首次訪問一個域名時,訪問的web伺服器會給客戶端傳送資料,以保持web伺服器與客戶端之間的狀態保持,這些資料就是cookie。
- cookie作用:我們在瀏覽器中,經常涉及到資料的交換,比如你登入郵箱,登入一個頁面。我們經常會在此時設定30天內記住我,或者自動登入選項。那麼它們是怎麼記錄資訊的呢,答案就是今天的主角cookie了,Cookie是由HTTP伺服器設定的,儲存在瀏覽器中,但HTTP協議是一種無狀態協議,在資料交換完畢後,伺服器端和客戶端的連結就會關閉,每次交換資料都需要建立新的連結。就像我們去超市買東西,沒有積分卡的情況下,我們買完東西之後,超市沒有我們的任何消費資訊,但我們辦了積分卡之後,超市就有了我們的消費資訊。cookie就像是積分卡,可以儲存積分,商品就是我們的資訊,超市的系統就像伺服器後臺,http協議就是交易的過程。
- 經過cookie的相關介紹,其實你已經知道了為什麼上述案例中爬取到的不是張三個人資訊頁,而是登入頁面。那應該如何抓取到張三的個人資訊頁呢?
思路:
1.我們需要使用爬蟲程式對人人網的登入時的請求進行一次抓取,獲取請求中的cookie資料
2.在使用個人資訊頁的url進行請求時,該請求需要攜帶 1 中的cookie,只有攜帶了cookie後,伺服器才可識別這次請求的使用者資訊,方可響應回指定的使用者資訊頁資料
1 #!/usr/bin/env python 2 # -*- coding:utf-8 -*- 3 import requests 4 if __name__ == "__main__": 5 6 #登入請求的url(通過抓包工具獲取) 7 post_url = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471' 8 #建立一個session物件,該物件會自動將請求中的cookie進行儲存和攜帶 9 session = requests.session() 10 #偽裝UA 11 headers={ 12 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36', 13 } 14 formdata = { 15 'email': '17701256561', 16 'icode': '', 17 'origURL': 'http://www.renren.com/home', 18 'domain': 'renren.com', 19 'key_id': '1', 20 'captcha_type': 'web_login', 21 'password': '7b456e6c3eb6615b2e122a2942ef3845da1f91e3de075179079a3b84952508e4', 22 'rkey': '44fd96c219c593f3c9612360c80310a3', 23 'f': 'https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3Dm7m_NSUp5Ri_ZrK5eNIpn_dMs48UAcvT-N_kmysWgYW%26wd%3D%26eqid%3Dba95daf5000065ce000000035b120219', 24 } 25 #使用session傳送請求,目的是為了將session儲存該次請求中的cookie 26 session.post(url=post_url,data=formdata,headers=headers) 27 28 get_url = 'http://www.renren.com/960481378/profile' 29 #再次使用session進行請求的傳送,該次請求中已經攜帶了cookie 30 response = session.get(url=get_url,headers=headers) 31 #設定響應內容的編碼格式 32 response.encoding = 'utf-8' 33 #將響應內容寫入檔案 34 with open('./renren.html','w') as fp: 35 fp.write(response.text)
二.基於requests模組的代理操作
- 什麼是代理
-
代理就是第三方代替本體處理相關事務。例如:生活中的代理:代購,中介,微商......
-
-
爬蟲中為什麼需要使用代理
-
一些網站會有相應的反爬蟲措施,例如很多網站會檢測某一段時間某個IP的訪問次數,如果訪問頻率太快以至於看起來不像正常訪客,它可能就會會禁止這個IP的訪問。所以我們需要設定一些代理IP,每隔一段時間換一個代理IP,就算IP被禁止,依然可以換個IP繼續爬取。
-
-
代理的分類:
-
正向代理:代理客戶端獲取資料。正向代理是為了保護客戶端防止被追究責任。
-
反向代理:代理伺服器提供資料。反向代理是為了保護伺服器或負責負載均衡。
-
-
免費代理ip提供網站
-
http://www.goubanjia.com/
-
西祠代理
-
快代理
-
-
程式碼
1 #!/usr/bin/env python 2 # -*- coding:utf-8 -*- 3 import requests 4 import random 5 if __name__ == "__main__": 6 #不同瀏覽器的UA 7 header_list = [ 8 # 遨遊 9 {"user-agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)"}, 10 # 火狐 11 {"user-agent": "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"}, 12 # 谷歌 13 { 14 "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"} 15 ] 16 #不同的代理IP 17 proxy_list = [ 18 {"http": "112.115.57.20:3128"}, 19 {'http': '121.41.171.223:3128'} 20 ] 21 #隨機獲取UA和代理IP 22 header = random.choice(header_list) 23 proxy = random.choice(proxy_list) 24 25 url = 'http://www.baidu.com/s?ie=UTF-8&wd=ip' 26 #引數3:設定代理 27 response = requests.get(url=url,headers=header,proxies=proxy) 28 response.encoding = 'utf-8' 29 30 with open('daili.html', 'wb') as fp: 31 fp.write(response.content) 32 #切換成原來的IP 33 requests.get(url, proxies={"http": ""}) 34