Python爬虫：手把手教你采集登陆后才能看到数据

 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。

专注于为中小企业提供成都做网站、成都网站制作服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业梨树免费做网站提供优质的服务。我们立足成都，凝聚了一批互联网行业人才，有力地推动了上千企业的稳健成长，帮助中小企业通过网站建设实现规模扩充和转变。

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
 
 
 

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！
  
  
  
 
 
 
 

新闻名称：Python爬虫：手把手教你采集登陆后才能看到数据
文章转载：http://www.shufengxianlan.com/qtweb/news47/400997.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联