Python3爬虫教程(六):使用Cookie获取妹子联系方式

2018-05-06 16:42:23作者: Jack-Cui来源: [链接]己有:1584人学习过

一、为什么要使用Cookie

    Cookie,指某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密)。 
    比如说有些网站需要登录后才能访问某个页面,在登录之前,你想抓取某个页面内容,登陆前与登陆后是不同的,或者不允许的。 
    使用Cookie和使用代理IP一样,也需要创建一个自己的opener。在HTTP包中,提供了cookiejar模块,用于提供对Cookie的支持。



    http.cookiejar功能强大,我们可以利用本模块的CookieJar类的对象来捕获cookie并在后续连接请求时重新发送,比如可以实现模拟登录功能。该模块主要的对象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。

    它们的关系: CookieJar–派生–>FileCookieJar–派生–>MozillaCookieJar和LWPCookieJar

    工作原理:创建一个带有cookie的opener,在访问登录的URL时,将登录后的cookie保存下来,然后利用这个cookie来访问其他网址。查看登录之后才能看到的信息。

    同样,我们以实例进行讲解,爬取伯乐在线的面向对象的漂亮MM的邮箱联系方式。

二、实战

1.背景介绍

    在伯乐在线有这么一个有趣的模块,面向对象,它说白了就是提供了一个程序员(媛)网上相亲的平台。

    URL:http://date.jobbole.com/

    它的样子是这样的:



    可以看到,这里有很多的相亲贴,随便点进去就会有网上相亲MM的详细信息,想获取MM的联系方式,需要积分,积分可以通过签到的方式获取。如果没有登陆账户,获取联系方式的地方是这个样子的:



    如果登陆了账号,获取联系方式的地方是这个样子的:



    想要爬取MM的联系邮箱,就需要用到我们本次讲到的知识,Cookie的使用。当然,首先你积分也得够。

    在讲解之前,推荐一款抓包工具–Fiddler,可以在Google Chrome的Google商店下载这个插件,它的样子是这样的:



    可以看到,通过这个插件,我们可以很容易找到Post的Form Data等信息,很方便,当然也可以用之前讲得浏览器审查元素的方式查看这些信息。

2.过程分析

    在伯乐在线首页点击登陆的按钮,Fiddler的抓包内容如下:



    从上图可以看出,真正请求的url是

http://www.jobbole.com/wp-admin/admin-ajax.php

    Form Data的内容记住,这些是我们编程需要用到的。user_login是用户名,user_pass是用户密码。

    在点击取得联系邮箱按钮的时候,Fiddler的抓包内容如下:



    从上图可以看出,此刻真正请求的url是

http://date.jobbole.com/wp-admin/admin-ajax.php

    同样Form Data中内容要记下来。postId是每个帖子的id。例如,打开一个相亲贴,它的URL是http://date.jobbole.com/4128/,那么它的这个postId就是4128。为了简化程序,这里就不讲解如何自动获取这个postId了,本实例直接指定postId。如果想要自动获取,可以使用beautifulsoup解析http://date.jobbole.com/返回的信息。beautifulsoup的使用。有机会的话,会在后面的爬虫笔记中进行讲解。

3.测试

    1)将Cookie保存到变量中

    首先,我们先利用CookieJar对象实现获取cookie的功能,存储到变量中,先来感受一下:

# -*- coding: UTF-8 -*-from urllib import requestfrom http import cookiejarif __name__ == '__main__':    #声明一个CookieJar对象实例来保存cookie
    cookie = cookiejar.CookieJar()    #利用urllib.request库的HTTPCookieProcessor对象来创建cookie处理器,也就CookieHandler
    handler=request.HTTPCookieProcessor(cookie)    #通过CookieHandler创建opener
    opener = request.build_opener(handler)    #此处的open方法打开网页
    response = opener.open('http://www.baidu.com')    #打印cookie信息
    for item in cookie:
        print('Name = %s' % item.name)
        print('Value = %s' % item.value)1234567891011121314151617

    我们使用以上方法将cookie保存到变量中,然后打印出了cookie中的值,运行结果如下:



    2)保存Cookie到文件

    在上面的方法中,我们将cookie保存到了cookie这个变量中,如果我们想将cookie保存到文件中该怎么做呢?方便以后直接读取文件使用,这时,我们就要用到FileCookieJar这个对象了,在这里我们使用它的子类MozillaCookieJar来实现Cookie的保存,编写代码如下:

# -*- coding: UTF-8 -*-from urllib import requestfrom http import cookiejarif __name__ == '__main__':    #设置保存cookie的文件,同级目录下的cookie.txt
    filename = 'cookie.txt'
    #声明一个MozillaCookieJar对象实例来保存cookie,之后写入文件
    cookie = cookiejar.MozillaCookieJar(filename)    #利用urllib.request库的HTTPCookieProcessor对象来创建cookie处理器,也就CookieHandler
    handler=request.HTTPCookieProcessor(cookie)    #通过CookieHandler创建opener
    opener = request.build_opener(handler)    #此处的open方法打开网页
    response = opener.open('http://www.baidu.com')    #保存cookie到文件
    cookie.save(ignore_discard=True, ignore_expires=True)123456789101112131415161718

    cookie.save的参数说明:

  • ignore_discard的意思是即使cookies将被丢弃也将它保存下来;

  • ignore_expires的意思是如果在该文件中cookies已经存在,则覆盖原文件写入。

    在这里,我们将这两个全部设置为True。

    运行之后,cookies将被保存到cookie.txt文件中。我们可以查看自己查看下cookie.txt这个文件的内容。

    3)从文件中获取Cookie并访问

    我们已经做到把Cookie保存到文件中了,如果以后想使用,可以利用下面的方法来读取cookie并访问网站,感受一下:

# -*- coding: UTF-8 -*-from urllib import requestfrom http import cookiejarif __name__ == '__main__':    #设置保存cookie的文件的文件名,相对路径,也就是同级目录下
    filename = 'cookie.txt'
    #创建MozillaCookieJar实例对象
    cookie = cookiejar.MozillaCookieJar()    #从文件中读取cookie内容到变量
    cookie.load(filename, ignore_discard=True, ignore_expires=True)    #利用urllib.request库的HTTPCookieProcessor对象来创建cookie处理器,也就CookieHandler
    handler=request.HTTPCookieProcessor(cookie)    #通过CookieHandler创建opener
    opener = request.build_opener(handler)    #此用opener的open方法打开网页
    response = opener.open('http://www.baidu.com')    #打印信息
    print(response.read().decode('utf-8'))12345678910111213141516171819

    了解到以上内容,我们那就可以开始正式编写模拟登陆伯乐在线的程序了。同时,我们也可以获取相亲MM的联系方式。

4.编写代码

    我们利用CookieJar对象实现获取cookie的功能,存储到变量中。然后使用这个cookie变量创建opener,使用这个设置好cookie的opener即可模拟登陆,同笔记四中讲到的IP代理的使用方法类似。

    创建cookie_test.py文件,编写代码如下:

# -*- coding: UTF-8 -*-from urllib import requestfrom urllib import errorfrom urllib import parsefrom http import cookiejarif __name__ == '__main__':    #登陆地址
    login_url = 'http://www.jobbole.com/wp-admin/admin-ajax.php'    
    #User-Agent信息                   
    user_agent = r'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36'
    #Headers信息
    head = {'User-Agnet': user_agent, 'Connection': 'keep-alive'}    #登陆Form_Data信息
    Login_Data = {}
    Login_Data['action'] = 'user_login'
    Login_Data['redirect_url'] = 'http://www.jobbole.com/'
    Login_Data['remember_me'] = '0'         #是否一个月内自动登陆
    Login_Data['user_login'] = '********'       #改成你自己的用户名
    Login_Data['user_pass'] = '********'        #改成你自己的密码
    #使用urlencode方法转换标准格式
    logingpostdata = parse.urlencode(Login_Data).encode('utf-8')    #声明一个CookieJar对象实例来保存cookie
    cookie = cookiejar.CookieJar()    #利用urllib.request库的HTTPCookieProcessor对象来创建cookie处理器,也就CookieHandler
    cookie_support = request.HTTPCookieProcessor(cookie)    #通过CookieHandler创建opener
    opener = request.build_opener(cookie_support)    #创建Request对象
    req1 = request.Request(url=login_url, data=logingpostdata, headers=head)    #面向对象地址
    date_url = 'http://date.jobbole.com/wp-admin/admin-ajax.php'
    #面向对象
    Date_Data = {}
    Date_Data['action'] = 'get_date_contact'
    Date_Data['postId'] = '4128'
    #使用urlencode方法转换标准格式
    datepostdata = parse.urlencode(Date_Data).encode('utf-8')
    req2 = request.Request(url=date_url, data=datepostdata, headers=head)    try:        #使用自己创建的opener的open方法
        response1 = opener.open(req1)
        response2 = opener.open(req2)
        html = response2.read().decode('utf-8')
        index = html.find('jb_contact_email')        #打印查询结果
        print('联系邮箱:%s' % html[index+19:-2])    except error.URLError as e:        if hasattr(e, 'code'):
            print("HTTPError:%d" % e.code)        elif hasattr(e, 'reason'):
            print("URLError:%s" % e.reason)123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354

5.运行结果如下:



三、总结

    获取成功!如果看过之前的笔记内容,我想这些代码应该很好理解吧。


标签(TAG)python  人工智能  

分享到 :

0条评论 添加新评论

后发表评论