运用cookie登陆人人网爬取数据

　　浏览器访问WEB服务器的过程

在用户访问网页时，不论是通过URL输入域名或IP，还是点击链接，浏览器向WEB服务器发出了一个HTTP请求（Http Request），WEB服务器接收到客户端浏览器的请求之后，响应客户端的请求，发回相应的响应信息（Http Response），浏览器解析引擎，排版引擎分析返回的内容，呈现给用户。WEB应用程序在于服务器交互的过程中，HTTP请求和响应时发送的都是一个消息结构

　　什么是cookie

cookie在http请求和http响应的头信息中，cookie是消息头的一种很重要的属性. 当用户通过浏览器首次访问一个域名时，访问的WEB服务器会给客户端发送数据，以保持WEB服务器与客户端之间的状态保持，这些数据就是Cookie，它是 Internet 站点创建的 ,为了辨别用户身份而储存在用户本地终端上的数据，Cookie中的信息一般都是经过加密的，Cookie存在缓存中或者硬盘中，在硬盘中的是一些小文本文件,当你访问该网站时，就会读取对应网站的Cookie信息，Cookie有效地提升了我们的上网体验。一般而言，一旦将 Cookie 保存在计算机上，则只有创建该 Cookie 的网站才能读取它。

　　为什么需要cookie

Http协议是一个无状态的面向连接的协议，Http协议是基于tcp/ip协议层之上的协议，当客户端与服务器建立连接之后，它们之间的TCP连接一直都是保持的，至于保持的时间是多久，是通过服务器端来设置的，当客户端再一次访问该服务器时，会继续使用上一次建立的连接，但是，由于Http协议是无状态的，WEB服务器并不知道这两个请求是否同一个客户端，这两次请求之间是独立的。 为了解决这个问题， Web程序引入了Cookie机制来维护状态.cookie可以记录用户的登录状态，通常web服务器会在用户登录成功后下发一个签名来标记session的有效性，这样免去了用户多次认证和登录网站。记录用户的访问状态。

　　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是不允许的，那么我们可以利用Urllib2库保存我们登录的Cookie，然后再抓取其他页面就达到目的了。

　　cookie的种类

会话Cookie(Session Cookie)：这个类型的cookie只在会话期间内有效，保存在浏览器的缓存之中，用户访问网站时，会话Cookie被创建，当关闭浏览器的时候，它会被浏览器删除。 持久Cookie(Persistent Cookie): 这个类型的cookie长期在用户会话中生效。当你设置cookie的属性Max-Age为1个月的话，那么在这个月里每个相关URL的http请求中都会带有这个cookie。所以它可以记录很多用户初始化或自定义化的信息，比如什么时候第一次登录及弱登录态等。 Secure cookie：安全cookie是在https访问下的cookie形态，以确保cookie在从客户端传递到Server的过程中始终加密的。 HttpOnly Cookie ：这个类型的cookie只能在http(https)请求上传递，对客户端脚本语言无效，从而有效避免了跨站攻击。 第三方cookie： 第一方cookie是当前访问的域名或子域名下的生成的Cookie。 第三方cookie:第三方cookie是第三方域名创建的Cookie。

　　cookie的构成

Cookie是http消息头中的一种属性，包括：Cookie名字（Name）Cookie的值（Value），Cookie的过期时间（Expires / Max-Age），Cookie作用路径（Path），Cookie所在域名（Domain），使用Cookie进行安全连接（Secure）。 前两个参数是Cookie应用的必要条件，另外，还包括Cookie大小（Size，不同浏览器对Cookie个数及大小限制是有差异的）。

　　urllib与urllib2库的区别

1、为什么它们总是成对出现

　　urllib与urllib2都做与url请求相关的操作，但它们提供不同的功能.

　　urllib2.urlopen()可以接受一个Request对象或一个url(可以在request对象中设置data,headers等)，以实现高级的url请求，但无urlencode功能。　　urllib.urlopen()只能接受一个url，所以只能实现简单的url请求，但urllib有urlencode功能。

　　urllib.urlencode功能是什么呢？它可以把字典变成url需要的字符串！

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# __author__:kzg
# 要获取数据的url及referer
tUrl = 'http://product.weather.com.cn/alarm/webdata/1012305-20170820132000-0902.html'
reFer = 'http://www.weather.com.cn/alarm/newalarmcontent.shtml?file=1012305-20170820132000-0902.html'
import urllib2
import urllib
# 定义一个request实例
r = urllib2.Request(url=tUrl)
# 给request添加头信息
r.add_header('Referer',reFer)
r.add_header('User-Agent':'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36')
# 给request添加post数据（此时的请求为post，而不再是get）
r.add_data(urllib.urlencode({'name':'kong','age':15}))
# 打印reauest实例中的header和data
print(r.headers)
print(r.data)
结果：
{'Referer': 'http://www.weather.com.cn/alarm/newalarmcontent.shtml?file=1012305-20170820132000-0902.html', 'User-agent': 'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
age=15&name=kong

　　　

2、opener

　　urllib2.urlopen:　是opener的一个特殊实例，也是默认的opener,传入的参数较少，仅仅有url,data,timeout,headers等。

　　通过阅读源码我们知道，urllib2.urlopen(url)其实也是调用opener.open(url)来请求url,但是默认的opener并不支持cookie.我们可以使用HTTPCookieProcessor来创建一个支持cookie的opener，它需要传入一个cookie容器。

3、cookielib

　　cookielib模块的主要作用是：提供一个对象来存储cookie,然后带入urllib2中去访问网站。我们可以利用它的cookiejar类的对象来捕获cookie，并在后续连接请求时自动重新发送，来实现模拟登陆功能。

　　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

　　实例讲解

　　1、自动获取cookie（CookieJar）

#!/usr/bin/env python
# _*_ coding:utf-8 _*_
import urllib
import urllib2
import cookielib
 
loginUrl='http://www.renren.com/PLogin.do'
 
# 创建cookie容器
cj = cookielib.CookieJar()
# 创建支持cookie的opener
handler = urllib2.HTTPCookieProcessor(cj)
opener =  urllib2.build_opener(handler)
urllib2.install_opener(opener)
# 使用此opener来请求url
response = opener.open(loginUrl)
# 查看获取到的cookie
for each in cj:
    print each.name,each.value

　　2、在自动获取cookie的同时写入到文件中(MozillaCookieJar)

#!/usr/bin/env python
# _*_ coding:utf-8 _*_
import urllib
import urllib2
import cookielib
 
loginUrl='http://www.renren.com/PLogin.do'
 
# 创建cookie容器
cj = cookielib.MozillaCookieJar('cookie.txt')
# 创建支持cookie的opener
handler = urllib2.HTTPCookieProcessor(cj)
opener =  urllib2.build_opener(handler)
# 使用此opener请求url
response = opener.open(loginUrl)
#查看获取到的cookie
for each in cj:
    print each.name,each.value
#保存
cj.save(ignore_expires=True,ignore_discard=True)

　　此例与上例的不同之处在于使用了MozillaCookieJar，它既有自动获取cookie的功能,又具有与文件的交互。

关于最后save方法的两个参数在此说明一下：

官方解释如下：

　　ignore_discard: save even cookies set to be discarded. 
　　ignore_expires: save even cookies that have expired.The file is overwritten if it already exists

3、从文件中加载cookie

#!/usr/bin/env python
# _*_ coding:utf-8 _*_
import urllib
import urllib2
import cookielib
 
loginUrl='http://www.renren.com/PLogin.do'
# 创建cookie容器
cj = cookielib.MozillaCookieJar()
cj.load('cookie.txt',ignore_discard=True,ignore_expires=True)
# 创建支持cookie的opener
handler = urllib2.HTTPCookieProcessor(cj)
opener =  urllib2.build_opener(handler)
# 使用此opener来请求url
response = opener.open(loginUrl)

　　

4、模拟登陆网站（以人人网为例）

准备：要登陆人人网需要哪些信息呢？

　　1、登陆地址url

　　2、登陆用户名属性

　　3、登陆密码属性

如图所示：

要实现的事情：

　　使用cookie自动登陆网站，并获取我的主页资料信息。

首先来个截图，预先看看我的主页资料信息的HTML结构吧。

示例代码：

#!/usr/bin/env python
# _*_ coding:utf-8 _*_
import urllib
import urllib2
import cookielib
 
class renren_login(object):
    def __init__(self):
        self.name = ''
        self.pwd = ''
        # 设置存储cookie的容器
        self.cj = cookielib.CookieJar()
        # 使opener支持cookie
        self.handler = urllib2.HTTPCookieProcessor(self.cj)
        # 创建一个支持cookie的opener
        self.opener = urllib2.build_opener(self.handler)
        urllib2.install_opener(self.opener)
 
    def set_user_pwd(self,username,password):
        self.name = username
        self.pwd = password
 
    def login(self,url):
        # 将字典对象编码带到url中
        post_data = urllib.urlencode({'email':self.name,'password':self.pwd})
        # 简单的反爬
        head = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'}
        # 将提交信息封装成request对象
        req = urllib2.Request(url,data=post_data,headers=head)
        # 对request对象发出请求
        response = self.opener.open(req)
        # 判断url是否跳转
        if response.url != url:
            return True
        else:
            return False
            exit(1)
 
    def get_response(self,url):
        # 读取请求到的内容
        response = self.opener.open(url).read()
        return response
 
if __name__ == '__main__':
    #设置网站的登陆信息
    LoginUrl = 'http://www.renren.com/PLogin.do'
    username = '15201417639'
    password = 'kongzhagen.com'
    #初始化类
    cls = renren_login()
    #设置用户名及密码
    cls.set_user_pwd(username,password)
    #登陆网站:返回主站的地址 http://www.renren.com/913043576，登陆成功
    if cls.login(LoginUrl):
        # 我的主页资料信息
        url='http://follow.renren.com/list/913043576/pub/v7'
        ret = cls.get_response(url)
        print ret.decode('utf-8')

　　

OK,完工啦，把返回的结果ret与上面的主页资料信息的HTML比比看吧。

额，还不成功，我的用户名和密码都改啦，换成你自己的试试！！