Python爬虫：爬取需要登录的网站

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

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！