千锋Python学堂 / Python基础教... / Python爬虫:爬取需要登录的网站

分享

   

Python爬虫:爬取需要登录的网站

2020-11-05  千锋Pytho...

不少伙伴学爬虫,这就出一期Python爬虫教程,文末总结的有视频教程,自己按需学习哈!

爬虫在采集网站的过程中,部分数据价值较高的网站,会限制访客的访问行为。这种时候建议通过登录的方式,获取目标网站的cookie,然后再使用cookie配合代理IP进行数据采集分析。

1 使用表单登陆

这种情况属于post请求,即先向服务器发送表单数据,服务器再将返回的cookie存入本地。

    #! -*- encoding:utf-8 -*-    import requests

    import random

    import requests.adapters

 

    # 要访问的目标页面    targetUrlList = [

        "https://httpbin.org/ip",

        "https://httpbin.org/headers",

        "https://httpbin.org/user-agent",

    ]

 

    # 代理服务器(产品官网 www.16yun.cn)    proxyHost = "t.16yun.cn"    proxyPort = "31111" 

    # 代理隧道验证信息    proxyUser = "username"    proxyPass = "password" 

    proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {

        "host": proxyHost,

        "port": proxyPort,

        "user": proxyUser,

        "pass": proxyPass,

    }

 

    # 设置 http和https访问都是用HTTP代理    proxies = {

        "http": proxyMeta,

        "https": proxyMeta,

    }

 

    # 访问三次网站,使用相同的Session(keep-alive),均能够保持相同的外网IP    s = requests.session()

 

    # 设置cookie    cookie_dict = {"JSESSION":"123456789"}

    cookies = requests.utils.cookiejar_from_dict(cookie_dict, cookiejar=None, overwrite=True)

    s.cookies = cookies

 

    for i in range(3):

        for url in targetUrlList:

            r = s.get(url, proxies=proxies)

            print r.text

Python爬虫:爬取需要登录的网站(附爬虫视频教程)

2 使用cookie登陆

使用cookie登陆,服务器会认为你是一个已登陆的用户,所以就会返回给你一个已登陆的内容。因此,需要验证码的情况可以使用带验证码登陆的cookie解决。

response_captcha = requests_session.get(url=url_login, cookies=cookies)response1 = requests.get(url_login) # 未登陆response2 = requests_session.get(url_login) # 已登陆,因为之前拿到了Response Cookie!response3 = requests_session.get(url_results) # 已登陆,因为之前拿到了Response Cookie!

若存在验证码,此时采用response = requests_session.post(url=url_login, data=data)是不行的,做法应该如下:

response_captcha = requests_session.get(url=url_login, cookies=cookies)response1 = requests.get(url_login) # 未登陆response2 = requests_session.get(url_login) # 已登陆,因为之前拿到了Response Cookie!response3 = requests_session.get(url_results) # 已登陆,因为之前拿到了Response Cookie!

    本站是提供个人知识管理的网络存储空间,所有内容均由用户发布,不代表本站观点。请注意甄别内容中的联系方式、诱导购买等信息,谨防诈骗。如发现有害或侵权内容,请点击一键举报。

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多