爬虫用Cookie登录网页

来源：互联网发布：鼠标箭头美化软件编辑：程序博客网时间：2024/05/29 10:52

最近在爬取豆瓣的数据时发现了一些问题。因为要做一个爬虫，爬取用户读过的书以及对书的评分。但是在进行网页的分析时却出现了点问题。
当浏览器打开用户读书记录的链接时是没有任何问题的，但是用requests库来进行网页爬取时却出现了问题。
以https://book.douban.com/people/…/collect这个链接为例，获取这个链接的html源码，一般都是这样写：

import requestsurl = 'https://book.douban.com/people/.../collect'r = requests.get(url)print(r.text)

运行结果却是：

<html><head><title>403 Forbidden</title></head><body bgcolor="white"><center><h1>403 Forbidden</h1></center><hr><center>nginx</center></body></html>

网页却能正常访问：
这里写图片描述
经过百度后发现，这是因为在爬取网页时没有传入Cookie，服务器不能识别用户身份，网页不能显示给没有用户身份的请求，所以网页源码被隐藏了。
因此，要在请求时加上Cookie，如何获取Cookie？
不能https://book.douban.com/people/…/collect这个链接中直接获取Cookie，因为这个链接在缺少Cookie的情况下根本不能正常访问。但是可以登录豆瓣官网来获取Cookie，登录豆瓣官网不需要Cookie。

import urllib.requestimport http.cookiejar/*设置文件来存储Cookie*/filename = 'cookie.txt'/*创建一个MozillaCookieJar()对象实例来保存Cookie*/cookie = http.cookiejar.MozillaCookieJar(filename)/*创建Cookie处理器*/handler = urllib.request.HTTPCookieProcessor(cookie)/*构建opener*/opener = urllib.request.build_opener(handler)response = opener.open("https://www.douban.com/")cookie.save(ignore_discard=True, ignore_expires=True)

打开cookie.txt文件会发现cookie已被保存。
这里写图片描述
这样在访问用户读过的书的链接时，从文件中读取Cookie，在进行网页请求时加上Cookie就行了。

import requestsimport http.cookiejarcookie = http.cookiejar.MozillaCookieJar()/*加载Cookie*/cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)url = 'https://book.douban.com/people/.../collect'r = requests.get(url, cookies=cookie)print(r.text)

运行结果：

<!DOCTYPE html><html lang="zh-cmn-Hans" class=" book-new-nav"><head>  <meta http-equiv="Content-Type" content="text/html; charset=utf-8">  <title>  读过的书(219)</title><script>!function(e){var o=function(o,n,t){var c,i,r=new Date;n=n||30,t=t||"/",r.setTime(r.getTime()+24*n*60*60*1e3),c="; expires="+r.toGMTString();for(i in o)e.cookie=i+"="+o[i]+c+"; path="+t},n=function(o){var n,t,c,i=o+"=",r=e.cookie.split(";");for(t=0,c=r.length;t<c;t++)if(n=r[t].replace(/^\s+|\s+$/g,""),0==n.indexOf(i))return n.substring(i.length,n.length).replace(/\"/g,"");return null},t=e.write,c={"douban.com":1,"douban.fm":1,"google.com":1,"google.cn":1,"googleapis.com":1,"gmaptiles.co.kr":1,"gstatic.com":1,"gstatic.cn":1,"google-analytics.com":1,"googleadservices.com":1},i=function(e,o){var n=new Image;n.onload=function(){},n.src="https://www.douban.com/j/except_report?kind=ra022&reason="+encodeURIComponent(e)+"&environment="+encodeURIComponent(o)},r=function(o){try{t.call(e,o)}catch(e){t(o)}},a=/<script.*?src\=["']?([^"'\s>]+)/gi,g=/http:\/\/(.+?)\.([^\/]+).+/i;e.writeln=e.write=function(e){var t,l=a.exec(e);return l&&(t=g.exec(l[1]))?c[t[2]]?void r(e):void("tqs"!==n("hj")&&(i(l[1],location.href),o({hj:"tqs"},1),setTimeout(function(){location.replace(location.href)},50))):void r(e)}}(document);</script>

这样就成功地得到了html源码，就可以进行分析了。

参考文章：静觅 » Python爬虫入门六之Cookie的使用
PS：链接还是去豆瓣官网上找一个用户读过的书的链接吧。

阅读全文

0 0