Python之爬虫第四章（cookie和代理操作）

一.基于requests模块的cookie操作

　　　　- cookie概念：当用户通过浏览器首次访问一个域名时，访问的web服务器会给客户端发送数据，以保持web服务器与客户端之间的状态保持，这些数据就是cookie。

　　　　- cookie作用：我们在浏览器中，经常涉及到数据的交换，比如你登录邮箱，登录一个页面。我们经常会在此时设置30天内记住我，或者自动登录选项。那么它们是怎么记录信息的呢，答案就是今天的主角cookie了，Cookie是由HTTP服务器设置的，保存在浏览器中，但HTTP协议是一种无状态协议，在数据交换完毕后，服务器端和客户端的链接就会关闭，每次交换数据都需要建立新的链接。就像我们去超市买东西，没有积分卡的情况下，我们买完东西之后，超市没有我们的任何消费信息，但我们办了积分卡之后，超市就有了我们的消费信息。cookie就像是积分卡，可以保存积分，商品就是我们的信息，超市的系统就像服务器后台，http协议就是交易的过程。

- 经过cookie的相关介绍，其实你已经知道了为什么上述案例中爬取到的不是张三个人信息页，而是登录页面。那应该如何抓取到张三的个人信息页呢？

　　思路：

　　　　1.我们需要使用爬虫程序对人人网的登录时的请求进行一次抓取，获取请求中的cookie数据

　　　　2.在使用个人信息页的url进行请求时，该请求需要携带图中的cookie，只有携带了cookie后，服务器才可识别这次请求的用户信息，方可响应回指定的用户信息页数据

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import requests

if __name__ == '__main__':
    url = "http://www.renren.com/973696641/profile"
    headers = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
        # Cookie值从登录后的浏览器，拷贝，方法文章上面有介绍
        "Cookie": "nonymid=k6kqpop1-lr31w6; depovince=BJ; _r01_=1; JSESSIONID=abcrrmsQhfo4E8BfnM_ax; ick_login=73037bd7-fafc-42ee-bd0d-38c591ba108d; taihe_bi_sdk_uid=ac1429f39fc928645cff86f4cc8b3867; taihe_bi_sdk_session=3d6e4b468d932408a38f0abc293e0a04; __utma=151146938.871429351.1581598269.1581598269.1581598269.1; __utmc=151146938; __utmz=151146938.1581598269.1.1.utmcsr=renren.com|utmccn=(referral)|utmcmd=referral|utmcct=/; ick=ed75f160-0412-46d0-95e8-f7c2c114994b; __utmb=151146938.2.10.1581598269; loginfrom=null; jebe_key=0db901ce-6613-4918-acc0-16df056b0acf%7Cc2e3c0fc53efad8e22056efac753fe97%7C1581598362701%7C1%7C1581598368451; jebe_key=0db901ce-6613-4918-acc0-16df056b0acf%7Cc2e3c0fc53efad8e22056efac753fe97%7C1581598362701%7C1%7C1581598368454; wp_fold=0; t=14446c54be9638a376b679826c8f96bc1; societyguester=14446c54be9638a376b679826c8f96bc1; id=973696641; xnsid=c160893c; ver=7.0; jebecookies=566731ef-c22b-4f41-8ac2-a08942d91ab4|||||"
    }
    response = requests.get(url=url,headers=headers)
    response_text = response.text

    with open("profile.html", "w", encoding="utf-8")as f:
        # 将爬取的页面
        print(response_text)
        f.write(response_text)

二.基于requests模块的代理操作

• 什么是代理

  • 代理就是第三方代替本体处理相关事务。例如：生活中的代理：代购，中介，微商......

• 爬虫中为什么需要使用代理

  • 一些网站会有相应的反爬虫措施，例如很多网站会检测某一段时间某个IP的访问次数，如果访问频率太快以至于看起来不像正常访客，它可能就会会禁止这个IP的访问。所以我们需要设置一些代理IP，每隔一段时间换一个代理IP，就算IP被禁止，依然可以换个IP继续爬取。

• 代理的分类：

  • 正向代理：代理客户端获取数据。正向代理是为了保护客户端防止被追究责任。

  • 反向代理：代理服务器提供数据。反向代理是为了保护服务器或负责负载均衡。

• 免费代理ip提供网站

  • http://www.goubanjia.com/

  • 西祠代理

  • 快代理

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import requests
import random
if __name__ == "__main__":
    #不同浏览器的UA
    header_list = [
        # 遨游
        {"user-agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)"},
        # 火狐
        {"user-agent": "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"},
        # 谷歌
        {
            "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"}
    ]
    #不同的代理IP
    proxy_list = [
        {"http": "112.115.57.20:3128"},
        {'http': '121.41.171.223:3128'}
    ]
    #随机获取UA和代理IP
    header = random.choice(header_list)
    proxy = random.choice(proxy_list)

    url = 'http://www.baidu.com/s?ie=UTF-8&wd=ip'
    #参数3：设置代理
    response = requests.get(url=url,headers=header,proxies=proxy)
    response.encoding = 'utf-8'
    
    with open('daili.html', 'wb') as fp:
        fp.write(response.content)
    #切换成原来的IP
    requests.get(url, proxies={"http": ""})