爬虫小技能：如何快速爬取登录网站数据

部分网站需要登录才能允许访问，因此爬虫需要获取登录cookie，然后通过爬虫代理使用该cookie进行数据采集。本示例按照以上流程进行实现如下：

　　1.模拟表单登陆

　　通过于post请求向服务器发送表单数据，爬虫将返回的cookie进行存储。

import requests

data = {'data1':'XXXXX', 'data2':'XXXXX'}

response = requests.post(url=url, data=data)

　　2.提取cookie登陆

　　读取存储的cookie进行登陆，服务器会认为爬虫请求是已登陆的用户，所以就会返回已登陆的内容。注意需要验证码的情况可以使用带验证码登陆的cookie解决。

    #! -*- 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

　　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！

　　为了回馈广大用户对51Testing软件测试网的支持，我们特地准备了一份测试实战课程礼包给大家，点击下方链接填写行业调查问卷，三门课程任选其一，拿来吧你~ 链接：vote.51testing.com/