爬虫05_基于cookie反爬机制的网站的数据爬取

布满荆棘的人生 2023-07-25 09:24 6阅读 0赞

这个案例需要学会滚轮往下拖的时候动态加载的数据如何爬取，区别于豆瓣电影爬取

### cookie概述: ###

*  `cookie`就是存储在客户端的一组键值对
 *  `cookie`在`web`中主要应用有免密登录
 *  `cookie`和爬虫之间的关联，有时候我们对一张页面进行请求的时候，如果**请求的过程中不携带`cookie`的话，那么我们是无法请求到正确的页面数据**，这是一种非常常见的反爬机制，因此遇到这种情况我们必须，所有的请求必须携带cookie

### 案例：爬取雪球网中的咨询信息 ###

*  需求：爬取雪球网，推荐栏目下所有文章的标题和内容，[练习地址][Link 1]
 *  分析：
    
     *  1）判断爬取的咨询数据是不是为动态加载的数据，相关更多的咨询是动态加载的，当滚轮滑动到底部时会动态加载更多的数据
     *  2）定位到`ajax`请求的数据包，提取出`url`，响应的数据为`json`格式的咨询数据  
        ![图1 部分信息可以搜到][1]  
        ![图2 有的信息无法搜到][2]  
        ![图3 定位到ajax请求的数据包][3 _ajax]
     *  3）`get`请求不要封装`data`，`get`请求要看`params`参数，而`post`请求必须携带`data`  
        ![图4 get请求不需要封装data][4 get_data]
     *  4）实例代码，遇到了`cookie`反爬机制，阻止了我们拿到想要的`json`数据，分析原因在于我们没有严格意义上模拟浏览器发请求，遇到这类情况，我们可以将浏览器发请求携带的头部全部粘贴到`headers`字典中，然后将`headers`作用到`requests`操作中即可，但是**通常情况下优先试试将`cookie`数据加载到请求头**

import requests
    
    headers = {
        
        'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36'
    }
    
    url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json?since_id=-1&max_id=20370842&count=15&category=-1'
    
    page_text = requests.get(url=url, headers=headers).json()
    page_text

![图5 没有添加cookie值的运行结果][5 _cookie]

### cookie的两种处理方式： ###

1.  手动处理，即将抓包工具中的`cookie`信息全部粘贴到`headers`中，由于`cookie`有有效时长且会动态变化，如果过了有效时长或者动态变化了，这种方式就不适用了
2.  自动处理，基于`session`对象实现自动处理，使用构造函数`requests.Session()`返回一个`session`对象

> **`session`对象的作用**，该对象可以像`requests`一样向服务器发送`get`、`post`…请求，只不过在使用`session`对象在发送请求过程中产生了`cookie`，则该`session`对象会自动保存`cookie`值。那么这就意味着我们下次再使用该`session`对象发送请求，则这个请求就会自动携带`cookie`。

### 项目代码： ###

import requests
    
    headers = {
        
        'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36'
    }
    session = requests.Session() #创建一个session对象
    #捕获cookie，大部分网站是第一次对网站进行访问时就会产生cookie
    base_url = 'https://xueqiu.com/'
    session.get(url=base_url, headers=headers)
    
    
    url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json?since_id=-1&max_id=20370842&count=15&category=-1'
    
    page_text = session.get(url=url, headers=headers).json() #第二次使用session，携带cookie发起请求
    page_text

### 总结： ###

*  爬虫中遇到动态加载数据，滑动加载数据时，首先要将抓包工具切换到`XHR`栏目下，定位到动态`ajax`请求的数据包，进而定位到`url`
 *  爬虫中遇到基于`cookie`反爬的反爬机制时，需要构建`session`对象，基于该对象来发送请求
 *  爬虫中一旦使用session对象时，session对象至少被使用两次，第一次，使用session对象发请求是为了捕获cookie并且将其存储到session对象中；第二次，使用session对象发请求是为了携带cookie信息发起请求，进而破解网页cookie反爬机制。即第一次拿cookie，第二次带着cookie拿数据

session = requests.Session() #构建一个session对象
    ...
    ...
    response = session.get(url=url, headers=headers) #然后基于session而不是requests发请求，第一次请求是为了捕获和存储cookie

[Link 1]: https://xueqiu.com/
[1]: /images/20230528/499d10392b024ad8a6b76cc7907c20b2.png
[2]: /images/20230528/d6182b18102e47d98cce261ada41bb87.png
[3 _ajax]: /images/20230528/f287e3e5ffc948308f7ec21adf10a3db.png
[4 get_data]: /images/20230528/d2da26ecd5264e90959fbdaefe4c2067.png
[5 _cookie]: /images/20230528/c799be53fbcd4643921c381eb0dbb26c.png