[Python]网络爬虫（三）：使用cookiejar管理cookie 以及 模拟登录知乎

大家好哈，上一节我们研究了一下爬虫的异常处理问题，那么接下来我们一起来看一下Cookie的使用。

为什么要使用Cookie呢？

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是不允许的。那么我们可以利用python3的cookiejar模块来保存cookie信息，然后模拟登录。

在此之前呢，我们必须先介绍一个opener的概念。

1.Opener

当你获取一个URL你使用一个opener。在前面，我们都是使用的默认的opener，也就是urlopen。它是一个特殊的opener，可以理解成opener的一个特殊实例，传入的参数仅仅是url，data，timeout。

如果我们需要用到Cookie，只用这个opener是不能达到目的的，所以我们需要创建更一般的opener来实现对Cookie的设置。

2.Cookiejar

cookiejar模块的主要作用是提供可存储cookie的对象，以便于与urllib模块配合使用来访问Internet资源。Cookiejar模块非常强大，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

1）获取Cookie保存到变量

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

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？这时，我们就要用到

FileCookieJar这个对象了，建立LWPCookieJar实例，可以存Set-Cookie3类型的文件。而MozillaCookieJar类是存为'.txt'格式的文件.在这里我们使用它的子类MozillaCookieJar来实现Cookie的保存

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 expiredThe file is overwritten if it already exists

由此可见，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，我们查看一下内容，附图如下

使用LWPCookieJar来保存cookie:

filename = 'cookie'

cookie = cookiejar.LWPCookieJar(filename)

使用的时候直接load。

3）从文件中获取Cookie并访问

那么我们已经做到把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

设想，如果我们的 cookie.txt 文件中保存的是某个人登录百度的cookie，那么我们提取出这个cookie文件内容，就可以用以上方法模拟这个人的账号登录百度。

4）利用cookie模拟网站登录

下面我们以知乎为例，利用cookie实现模拟登录，来感受一下cookie大法吧！

#!/usr/bin/env/python#encoding: UTF-8import reimport requestsimport http.cookiejarfrom PIL import Imageimport timeimport jsonheaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 ''(KHTML, like Gecko) Chrome/57.0.2987.98 Safari/537.36',"Host": "","Referer": "/",}# 建立一个会话，可以把同一用户的不同请求联系起来；直到会话结束都会自动处理cookiessession = requests.Session()# 建立LWPCookieJar实例，可以存Set-Cookie3类型的文件。# 而MozillaCookieJar类是存为'/.txt'格式的文件session.cookies = http.cookiejar.LWPCookieJar("cookie")# 若本地有cookie则不用再post数据了try:session.cookies.load(ignore_discard=True)except IOError:print('Cookie未加载！')def get_xsrf():"""获取参数_xsrf"""response = session.get('', headers=headers)html = response.textget_xsrf_pattern = pile(r'<input type="hidden" name="_xsrf" value="(.*?)"')_xsrf = re.findall(get_xsrf_pattern, html)[0]return _xsrfdef get_captcha():"""获取验证码本地显示返回你输入的验证码"""t = str(int(time.time() * 1000))captcha_url = '/captcha.gif?r=' + t + "&type=login"response = session.get(captcha_url, headers=headers)with open('cptcha.gif', 'wb') as f:f.write(response.content)# Pillow显示验证码im = Image.open('cptcha.gif')im.show()captcha = input('本次登录需要输入验证码： ')return captchadef login(username, password):"""输入自己的账号密码，模拟登录知乎"""# 检测到11位数字则是手机登录if re.match(r'\d{11}$', username):url = '/login/phone_num'data = {'_xsrf': get_xsrf(),'password': password,'remember_me': 'true','phone_num': username}else:url = '/login/email'data = {'_xsrf': get_xsrf(),'password': password,'remember_me': 'true','email': username}# 若不用验证码，直接登录result = session.post(url, data=data, headers=headers)# 打印返回的响应，r = 1代表响应失败，msg里是失败的原因# loads可以反序列化内置数据类型，而load可以从文件读取if (json.loads(result.text))["r"] == 1:# 要用验证码，post后登录data['captcha'] = get_captcha()result = session.post(url, data=data, headers=headers)print((json.loads(result.text))['msg'])# 保存cookie到本地session.cookies.save(ignore_discard=True, ignore_expires=True)def isLogin():# 通过查看用户个人信息来判断是否已经登录url = "/settings/profile"# 禁止重定向，否则登录失败重定向到首页也是响应200login_code = session.get(url, headers=headers, allow_redirects=False).status_codeif login_code == 200:return Trueelse:return Falseif __name__ == '__main__':if isLogin():print('您已经登录')else:account = input('输入账号：')secret = input('输入密码：')login(account, secret)

以上程序的原理如下

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。

如登录之后才能查看的成绩查询呀，本学期课表呀等等网址，模拟登录就这么实现啦，是不是很酷炫？

好，小伙伴们要加油哦！我们现在可以顺利获取网站信息了，接下来就是把网站里面有效内容提取出来，下一节我们去会会正则表达式！