Python 爬蟲從入門到進階之路（六）

在之前的文章中我們介紹了一下 opener 應用中的 ProxyHandler 處理器（代理設定），本篇文章我們再來看一下 opener 中的 Cookie 的使用。

Cookie 是指某些網站伺服器為了辨識使用者身份和進行Session跟蹤，而儲存在使用者浏覽器上的文本檔案，Cookie可以保持登入資訊到使用者下次與伺服器的會話。

HTTP是無狀态的面向連接配接的協定, 為了保持連接配接狀态, 引入了Cookie機制 Cookie是http消息頭中的一種屬性，包括：

Cookie名字（Name）
Cookie的值（Value）
Cookie的過期時間（Expires/Max-Age）
Cookie作用路徑（Path）
Cookie所在域名（Domain），
使用Cookie進行安全連接配接（Secure）。

前兩個參數是Cookie應用的必要條件，另外，還包括Cookie大小（Size，不同浏覽器對Cookie個數及大小限制是有差異的）。           

Cookie由變量名和值組成，根據 Netscape公司的規定，Cookie格式如下：

Set－Cookie: NAME=VALUE；Expires=DATE；Path=PATH；Domain=DOMAIN_NAME；SECURE

Cookie應用

Cookies在爬蟲方面最典型的應用是判定注冊使用者是否已經登入網站，使用者可能會得到提示，是否在下一次進入此網站時保留使用者資訊以便簡化登入手續。

1 import urllib.request
 2 
 3 # 1. 建構一個已經登入過的使用者的headers資訊
 4 headers = {
 5     "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36",
 6     "Cookie": "anonymid=jurpmxe9-orl7u3;"
 7               "depovince=BJ;"
 8               " _r01_=1; "
 9               "JSESSIONID=abcwYLyIY7VNIhCDVWcPw;"
10               " jebe_key=f6fb270b-d06d-42e6-8b53-e67c3156aa7e%7Cc13c37f53bca9e1e7132d4b58ce00fa3%7C1484060607478%7C1%7C1484060607173;"
11               " jebecookies=f1fd29c4-bd08-4d66-8834-72e42b70d2cb|||||; "
12               "ick_login=0f790ea2-c8bf-4d64-a394-36745febeb26;"
13               " _de=622DE758381206EB340E4CEC836F3769696BF75400CE19CC;"
14               " p=7e50f3fe10ca320e36dae001c72d392d3;"
15               " ap=327550029;"
16               " first_login_flag=1;"
17               " [email protected];"
18               " ln_hurl=http://hdn.xnimg.cn/photos/hdn121/20120930/2035/h_main_hcDy_40fc000002d91375.jpg;"
19               " t=d7c6ae064b81ae15f5b91f5897dc61553;"
20               " societyguester=d7c6ae064b81ae15f5b91f5897dc61553;"
21               " id=485439163;"
22               " xnsid=bc995dc8;"
23               " ver=7.0;"
24               " loginfrom=null"
25 }
26 
27 # 2. 通過headers裡的報頭資訊（主要是Cookie資訊），建構Request對象
28 request = urllib.request.Request("http://www.renren.com", headers=headers)
29 
30 # 3. 直接通路renren首頁，伺服器會根據headers報頭資訊（主要是Cookie資訊），判斷這是一個已經登入的使用者，并傳回相應的頁面
31 response = urllib.request.urlopen(request)
32 
33 # 4. 列印響應内容
34 print(response.read().decode("utf-8"))      

但是這樣做太過複雜，我們先需要在浏覽器登入賬戶，并且設定儲存密碼，并且通過抓包才能擷取這個Cookie，那有麼有更簡單友善的方法呢？

cookielib庫 和 HTTPCookieProcessor處理器

在Python處理Cookie，一般是通過 http 子產品的 cookiejar 子產品和 urllib 子產品的 

HTTPCookieProcessor 

處理器類一起使用。

cookiejar

子產品：主要作用是提供用于存儲cookie的對象

HTTPCookieProcessor

處理器：主要作用是處理這些cookie對象，并建構handler對象。

1 import urllib.request
 2 import urllib.parse
 3 from http import cookiejar
 4 
 5 # 1. 建構一個CookieJar對象執行個體來儲存cookie
 6 cookie = cookiejar.CookieJar()
 7 
 8 # 2. 使用HTTPCookieProcessor()來建立cookie處理器對象，參數為CookieJar()對象
 9 cookie_handler = urllib.request.HTTPCookieProcessor(cookie)
10 
11 # 3. 通過 build_opener() 來建構opener
12 opener = urllib.request.build_opener(cookie_handler)
13 
14 # 4. addheaders 接受一個清單，裡面每個元素都是一個headers資訊的元祖, opener将附帶headers資訊
15 opener.addheaders = [("User-Agent",
16                       "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36")]
17 
18 # 5. 需要登入的賬戶和密碼
19 data = {"email": "[email protected]", "password": "chen562352353"}
20 
21 # 6. 通過urlencode()轉碼
22 postdata = urllib.parse.urlencode(data).encode("utf-8")
23 
24 # 7. 建構Request請求對象，包含需要發送的使用者名和密碼
25 request = urllib.request.Request("http://www.renren.com/PLogin.do", data=postdata)
26 
27 # 8. 通過opener發送這個請求，并擷取登入後的Cookie值，
28 opener.open(request)
29 
30 # 9. opener包含使用者登入後的Cookie值，可以直接通路那些登入後才可以通路的頁面
31 response = opener.open("http://www.renren.com/485439163")
32 
33 # 10. 列印響應内容
34 print(response.read().decode("utf-8"))      

 模拟登入要注意幾點：

1. 登入一般都會先有一個HTTP GET，用于拉取一些資訊及獲得Cookie，然後再HTTP POST登入。
2. HTTP POST登入的連結有可能是動态的，從GET傳回的資訊中擷取。
3. password 有些是明文發送，有些是加密後發送。有些網站甚至采用動态加密的，同時包括了很多其他資料的加密資訊，隻能通過檢視JS源碼獲得加密算法，再去破解加密，非常困難。
4. 大多數網站的登入整體流程是類似的，可能有些細節不一樣，是以不能保證其他網站登入成功。