python爬虫如何在request函数中加cookie
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Python内容推荐
python爬虫使用cookie登录详解
主要介绍了python爬虫使用cookie登录详解，具有一定借鉴价值,需要的朋友可以参考下
Python入门网络爬虫之精华版
Python入门网络爬虫之精华版 Python学习网络爬虫主要分3个大的版块：抓取，分析，存储 另外，比较常用的爬虫框架Scrapy，这里最后也详细介绍一下。 首先列举一下本人总结的相关文章，这些覆盖了入门网络爬虫需要的基本概念和技巧：宁哥的小站-网络爬虫 当我们在浏览器中输入一个url后回车，后台会发生什么？比如说你输入http://www.lining0806.com/，你就会看到宁哥的小站首页。 简单来说这段过程发生了以下四个步骤： 查找域名对应的IP地址。 向IP对应的服务器发送请求。 服务器响应请求，发回网页内容。 浏览器解析网页内容。 网络爬虫要做的，简单来说，就是实现浏览器的功能。通过指定url，直接返回给用户所需要的数据，而不需要一步步人工去操纵浏览器获取。 抓取 这一步，你要明确要得到的内容是什么？是HTML源码，还是Json格式的字符串等。 1. 最基本的抓取 抓取大多数情况属于get请求，即直接从对方服务器上获取数据。 首先，Python中自带urllib及urllib2这两个模块，基本上能满足一般的页面抓取。另外，requests也是非常有用的包，与此类似的，还有httplib2等等。 Requests： import requests response = requests.get(url) content = requests.get(url).content print "response headers:", response.headers print "content:", content Urllib2： import urllib2 response = urllib2.urlopen(url) content = urllib2.urlopen(url).read() print "response headers:", response.headers print "content:", content Httplib2： import httplib2 http = httplib2.Http() response_headers, content = http.request(url, 'GET') print "response headers:", response_headers print "content:", content 此外，对于带有查询字段的url，get请求一般会将来请求的数据附在url之后，以?分割url和传输数据，多个参数用&连接。 data = {'data1':'XXXXX', 'data2':'XXXXX'} Requests：data为dict，json import requests response = requests.get(url=url, params=data) Urllib2：data为string import urllib, urllib2 data = urllib.urlencode(data) full_url = url+'?'+data response = urllib2.urlopen(full_url) 相关参考：网易新闻排行榜抓取回顾 参考项目：网络爬虫之最基本的爬虫：爬取网易新闻排行榜 2. 对于登陆情况的处理 2.1 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。 data = {'data1':'XXXXX', 'data2':'XXXXX'} Requests：data为dict，json import requests response = requests.post(url=url, data=data) Urllib2：data为string import urllib, urllib2 data = urllib.urlencode(data) req = urllib2.Request(url=url, data=data) response = urllib2.urlopen(req) 2.2 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。 import requests requests_session = requests.session() response = requests_session.post(url=url_login, data=data) 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！ 相关参考：网络爬虫-验证码登陆 参考项目：网络爬虫之用户名密码及验证码登陆：爬取知乎网站 3. 对于反爬虫机制的处理 3.1 使用代理 适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。 这种情况最好的办法就是维护一个代理IP池，网上有很多免费的代理IP，良莠不齐，可以通过筛选找到能用的。对于“频繁点击”的情况，我们还可以通过限制爬虫访问网站的频率来避免被网站禁掉。 proxies = {'http':'http://XX.XX.XX.XX:XXXX'} Requests： import requests response = requests.get(url=url, proxies=proxies) Urllib2： import urllib2 proxy_support = urllib2.ProxyHandler(proxies) opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler) urllib2.install_opener(opener) # 安装opener，此后调用urlopen()时都会使用安装过的opener对象 response = urllib2.urlopen(url) 3.2 时间设置 适用情况：限制频率情况。 Requests，Urllib2都可以使用time库的sleep()函数： import time time.sleep(1) 3.3 伪装成浏览器，或者反“反盗链” 有些网站会检查你是不是真的浏览器访问，还是机器自动访问的。这种情况，加上User-Agent，表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法，一般再加上Referer。 headers = {'User-Agent':'XXXXX'} # 伪装成浏览器访问，适用于拒绝爬虫的网站 headers = {'Referer':'XXXXX'} headers = {'User-Agent':'XXXXX', 'Referer':'XXXXX'} Requests： response = requests.get(url=url, headers=headers) Urllib2： import urllib, urllib2 req = urllib2.Request(url=url, headers=headers) response = urllib2.urlopen(req) 4. 对于断线重连 不多说。 def multi_session(session, *arg): retryTimes = 20 while retryTimes>0: try: return session.post(*arg) except: print '.', retryTimes -= 1 或者 def multi_open(opener, *arg): retryTimes = 20 while retryTimes>0: try: return opener.open(*arg) except: print '.', retryTimes -= 1 这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。 5. 多进程抓取 这里针对华尔街见闻进行并行抓取的实验对比：Python多进程抓取 与 Java单线程和多线程抓取 相关参考：关于Python和Java的多进程多线程计算方法对比 6. 对于Ajax请求的处理 对于“加载更多”情况，使用Ajax来传输很多数据。 它的工作原理是：从网页的url加载网页的源代码之后，会在浏览器里执行JavaScript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为什么如果你直接去爬网页本身的url，你会找不到页面的实际内容。 这里，若使用Google Chrome分析”请求“对应的链接(方法：右键→审查元素→Network→清空，点击”加载更多“，出现对应的GET链接寻找Type为text/html的，点击，查看get参数或者复制Request URL)，循环过程。 如果“请求”之前有页面，依据上一步的网址进行分析推导第1页。以此类推，抓取抓Ajax地址的数据。 对返回的json格式数据(str)进行正则匹配。json格式数据中，需从'\uxxxx'形式的unicode_escape编码转换成u'\uxxxx'的unicode编码。 7. 自动化测试工具Selenium Selenium是一款自动化测试工具。它能实现操纵浏览器，包括字符填充、鼠标点击、获取元素、页面切换等一系列操作。总之，凡是浏览器能做的事，Selenium都能够做到。 这里列出在给定城市列表后，使用selenium来动态抓取去哪儿网的票价信息的代码。 参考项目：网络爬虫之Selenium使用代理登陆：爬取去哪儿网站 8. 验证码识别 对于网站有验证码的情况，我们有三种办法： 使用代理，更新IP。 使用cookie登陆。 验证码识别。 使用代理和使用cookie登陆之前已经讲过，下面讲一下验证码识别。 可以利用开源的Tesseract-OCR系统进行验证码图片的下载及识别，将识别的字符传到爬虫系统进行模拟登陆。当然也可以将验证码图片上传到打码平台上进行识别。如果不成功，可以再次更新验证码识别，直到成功为止。 参考项目：Captcha1 爬取有两个需要注意的问题： 如何监控一系列网站的更新情况，也就是说，如何进行增量式爬取？ 对于海量数据，如何实现分布式爬取？ 分析 抓取之后就是对抓取的内容进行分析，你需要什么内容，就从中提炼出相关的内容来。 常见的分析工具有正则表达式，BeautifulSoup，lxml等等。 存储 分析出我们需要的内容之后，接下来就是存储了。 我们可以选择存入文本文件，也可以选择存入MySQL或MongoDB数据库等。 存储有两个需要注意的问题： 如何进行网页去重？ 内容以什么形式存储？ Scrapy Scrapy是一个基于Twisted的开源的Python爬虫框架，在工业中应用非常广泛。 相关内容可以参考基于Scrapy网络爬虫的搭建，同时给出这篇文章介绍的微信搜索爬取的项目代码，给大家作为学习参考。 参考项目：使用Scrapy或Requests递归抓取微信搜索结果
Python3爬虫之urllib携带cookie爬取网页的方法
今天小编就为大家分享一篇Python3爬虫之urllib携带cookie爬取网页的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
python网络爬虫代码资料
收集的各种python编写网络爬虫的资料，内有代码实现
选择Python写网络爬虫的优势和理由
在本篇文章里小编给各位整理了一篇关于选择Python写网络爬虫的优势和理由以及相关代码实例，有兴趣的朋友们阅读下吧。
Python3爬虫带上cookie的实例代码
在本篇文章里小编给各位分享的是一篇关于Python3爬虫带上cookie的实例代码内容，需要的朋友们可以学习下。
python 爬虫如何正确的使用cookie
很多时候，我们要查看的内容必须要先登录才能找到，比如知乎的回答，QQ空间的好友列表、微博上关注的人和粉丝等。要使用爬虫直接登录抓取这些信息时，有一个不太好解决的难题，就是这些网站设置的登录规则以及登录时的验证码识别。不过，我们可以想办法绕过去，思路是这样的：先使用浏览器登录，从浏览器获取登录后的“凭证”，然后将这个“凭证”放到爬虫里，模拟用户的行为继续抓取。这里，我们要获取的凭证就是cookie信息。 这次我们尝试使用python和cookie来抓取QQ空间上的好友列表。使用的工具是FireFox浏览器、FireBug和Python。 获取cookie 打开FireFox浏览器，登录QQ空间，
python爬虫入门request 常用库介绍整理.docx
python爬虫入门request 常用库介绍整理.docxpython爬虫入门request 常用库介绍整理.docxpython爬虫入门request 常用库介绍整理.docxpython爬虫入门request 常用库介绍整理.docxpython爬虫入门request 常用库介绍整理.docxpython爬虫入门request 常用库介绍整理.docxpython爬虫入门request 常用库介绍整理.docxpython爬虫入门request 常用库介绍整理.docx
基于Python的网络爬虫技术探析.zip
基于Python的网络爬虫技术探析
Python爬虫利用cookie实现模拟登陆实例详解
主要介绍了Python爬虫利用cookie实现模拟登陆实例详解的相关资料,需要的朋友可以参考下
python爬取第一PPT爬虫PPT
python爬取第一PPT爬取PPT，附带详细教程，合适新手学习python
玩转python爬虫之cookie使用方法
Cookie用于服务器实现会话，用户登录及相关功能时进行状态管理,这篇文章主要介绍了使用python处理cookie的方法,感兴趣的小伙伴们可以参考一下
Python3获取cookie常用三种方案
方案一： 利用selenium+phantomjs无界面浏览器的形式访问网站，再获取cookie值： from selenium import webdriver driver=webdriver.PhantomJS() url="https://et.xiamenair.com/xiamenair/book/findFlights.action?lang=zh&tripType=0&queryFlightInfo=XMN,PEK,2018-01-15" driver.get(url) # 获取cookie列表 cookie_list=driver.get_cookies() # 格式化打
python爬虫总结
python爬取网络资源整理，总计了一些常见用法及错误方式解析
python入门网络爬虫之精华版
python入门网络爬虫之精华版，学习经典；适合喜欢学习python的
学习笔记(12):21天搞定分布式Python网络爬虫-urllib库-Cookie原理讲解
立即学习:https://edu.csdn.net/course/play/24756/280662?utm_source=blogtoedu cookie：某些网站为了辨别用户身份、进行session跟踪而存储再本地终端上的数据，cookie存储的数据量有限。 NAME：cookie的名字 VALUE：cookie的值 Expires：cookie的过期时间 Path：cookie作用的路径 Domain：cookie作用的域名 SECURE：是否只再https协议下起作用 set-cookie 通知客户端保存的数据 作者：zs578695
python网络爬虫之如何伪装逃过反爬虫程序的方法
有的时候，我们本来写得好好的爬虫代码，之前还运行得Ok, 一下子突然报错了。 报错信息如下： Http 800 Internal internet error 这是因为你的对象网站设置了反爬虫程序，如果用现有的爬虫代码，会被拒绝。 之前正常的爬虫代码如下： from urllib.request import urlopen ... html = urlopen(scrapeUrl) bsObj = BeautifulSoup(html.read(), html.parser) 这个时候，需要我们给我们的爬虫代码做下伪装， 给它添加表头伪装成是来自浏览器的请求 修改后的代码如下： im
如何使用python爬虫爬取要登陆的网站
你好 由于你是游客 无法查看本文 请你登录再进 谢谢合作。。。。。 当你在爬某些网站的时候 需要你登录才可以获取数据 咋整？ 莫慌 把这几招传授给你 让你以后从容应对 登录的常见方法无非是这两种 1、让你输入帐号和密码登录 2、让你输入帐号密码+验证码登录 今天 先跟你说说第一种 需要验证码的咱们下一篇再讲 第一招 Cookie大法 你平常在上某个不为人知的网站的时候 是不是发现你只要登录一次 就可以一直看到你想要的内容 过了一阵子才需要再次登录 这就是因为 Cookie 在做怪 简单来说 就是每一个使用这个网站的人 服务器都会给他一个 Cookie 那么下次你再请求数据的时候
Python get获取页面cookie代码实例
利用Python get获取页面cookie代码实例,简单易懂
Python网络爬虫学习项目库。_hy5.zip
Python网络爬虫学习项目库。_hy5
热门内容
最新推荐
Python 寄存器位域解析与 JSON 配置工具（芯片开发+寄存器/位域+解析源码+寄存器转储分析）
MATLAB实现的两级OPF与电动车充电调度，用于配电网络.zip
UAC白名单设置-软件使用
DELL服务器操作系统安装
老人自动接视频appp
学生成绩管理系统C++课程设计与实践
别再手动拖拽了！用Lumerical脚本批量创建FDTD仿真结构（附完整代码）
Java邮件解析任务中，如何安全高效地提取HTML邮件内容并避免硬编码、资源泄漏和类型转换异常？
RH公司应收账款管理优化策略研究