欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

爬虫(五):代理IP、Cookie

程序员文章站 2022-03-21 17:31:07
1. 代理IP 代理IP这个功能呢,在urllib和requests中都存在,但是这个在大的爬虫项目中是非常重要的,所以我拿出来单独讲解。 对于某些网站,如果同一个 IP 短时间内发送大量请求,则可能会将该 IP 判定为爬虫,进而对该 IP 进行封禁 所以我们有必要使用随机的 IP 地址来绕开这一层 ......

1. 代理ip

代理ip这个功能呢,在urllib和requests中都存在,但是这个在大的爬虫项目中是非常重要的,所以我拿出来单独讲解。

对于某些网站,如果同一个 ip 短时间内发送大量请求,则可能会将该 ip 判定为爬虫,进而对该 ip 进行封禁

所以我们有必要使用随机的 ip 地址来绕开这一层检查。我们可以去找那些提供免费ip地址的网站,但是这些网站的免费代理ip基本上是不稳定的,随时可能会更新,如果是自己小规模的爬取,可以使用免费代理ip。如果是那种大型的,就需要付费代理ip了。

1.1 urllib使用ip代理

import urllib.request
import random
ip_list = [
    {'http':'61.135.217.7:80'},
    {'http':'182.88.161.204:8123'}
]
proxy_handler = urllib.request.proxyhandler(random.choice(ip_list))
opener = urllib.request.build_opener(proxy_handler)
response = opener.open('https://www.httpbin.org/ip')
print(response.read().decode('utf-8'))

结果:

爬虫(五):代理IP、Cookie

 

1.2 requests使用ip代理

使用requests添加代理也非常简单,只要在请求的方法中(比如get或者post)传递proxies参数就可以了。 

import requests

url = 'https://httpbin.org/get'

headers = {
    'user-agent': 'mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/78.0.3904.108 safari/537.36'
}
proxy = {
    'http':'222.217.124.162:8118'
}
resp = requests.get(url,headers=headers,proxies=proxy)
with open('ip.html','w',encoding='utf-8') as fp:
    fp.write(resp.text)

结果:

ip.html:

{
  "args": {}, 
  "headers": {
    "accept": "*/*", 
    "accept-encoding": "gzip, deflate", 
    "host": "httpbin.org", 
    "user-agent": "mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/78.0.3904.108 safari/537.36"
  }, 
  "origin": "183.14.76.230, 183.14.76.230", 
  "url": "https://httpbin.org/get"
}

2. cookie

我以前学java的时候学过cookie了,一直以为自己博客中也写了,这里就来补充一下cookie基础知识了。

2.1 什么是cookie

在网站中,http请求是无状态的,也就是说即使第一次和服务器连接后并且登录成功后,第二次请求服务器依然不能做到当前请求的是哪个用户。cookie的出现就是为了解决这个问题,第一次登录后服务器返回一些数据(cookie)给浏览器,然后浏览器保存在本地,当该用户发送第二层请求的时候,就会自动的把上一次请求存储的cookie数据自动的携带给服务器,服务器通过浏览器携带的数据就能判断当前用户是谁了。cookie存储的数据量邮箱,不同的浏览器有不同的存储大小,但一般不超过4kb,因此使用cookie只能存储少量的数据。

cookie的格式:

set-cookie: name=value; expires/max-age=date; path=path; domain=domain_name; secure

参数意义:

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:是否只在https协议下起作用。

2.2 urllib操作cookie

一些需要登录的网站,实际上就是因为没有cookie信息。我们想要用代码的形式访问这种网站,就必须要有正确的cookie信息才能访问。

最简单的方法就是先使用浏览器,然后用抓包软件将数据包中的cookie信息复制下来,放到headers中。

from urllib import request

targeturl = 'http://www.baidu.com/'
headers = {
    "user-agent": "mozilla/5.0 (macintosh; intel mac os x 10_14_3) applewebkit/537.36 (khtml, like gecko) chrome/74.0.3729.169 safari/537.36",
    "cookie": "baiduid=734868bb44acdce4fb2c49db3aa14669:fg=1 for .baidu.com,bidupsid=734868bb44acdce4fc561f4d84999535 for .baidu.com,h_ps_pssid=1429_21101_30211 for .baidu.com,pstm=1576550373 for .baidu.com,delper=0 for .baidu.com,bdsvrtm=0 for www.baidu.com,bd_home=0 for www.baidu.com"
}
reqobj = request.request(url=targeturl, headers=headers)
resp = request.urlopen(reqobj)
print(resp.read().decode('utf-8'))
但是每次在访问需要cookie的页面都要从浏览器中复制cookie比较麻烦。python处理cookie,一般是通过http.cookiejar模块和urllib模块的httpcookieprocessor处理器类一起使用。http.cookiejar模块主要作用是提供用于存储cookie的对象。而httpcookieprocessor处理器主要作用是处理这些cookie对象,并构建handler对象。

http.cookiejar模块主要的类有 cookiejar、filecookiejar、mozillacookiejar、lwpcookiejar。这四个类的作用分别如下:

cookiejar

管理httpcookie的值、存储http请求生成的cookie、向传出的http请求添加cookie的对象。整个cookie都存储在内存中,对cookiejar实例进行垃圾回收后cookie也将丢失。

filecookiejar (filename, delayload=none, policy=none)

从cookiejar派生而来,用来创建filecookiejar实例,检索cookie信息并将cookie存储到文件中。filename是存储cookie的文件名。delayload为true时支持延迟访问文件,即只有在需要时才读取文件或在文件中存储数据。

mozillacookiejar (filename, delayload=none, policy=none)

从filecookiejar派生而来,创建与mozilla浏览器cookies.txt兼容的filecookiejar实例。

lwpcookiejar (filename, delayload=none, policy=none)

从filecookiejar派生而来,创建与libwww-per标准的set-cookie3文件格式兼容的filecookiejar实例。

利用http.cookiejar和request.httpcookieprocessor获取cookie:

import urllib.request
import http.cookiejar
cookie = http.cookiejar.cookiejar()
cookie_handler = urllib.request.httpcookieprocessor(cookie)
opener = urllib.request.build_opener(cookie_handler)
response = opener.open('http://www.baidu.com/')
for item in cookie:
    print(item.name + '=' + item.value)

爬虫(五):代理IP、Cookie

保存cookie到本地文件,并调用本地文件来进行请求:

import urllib.request
import http.cookiejar

# 将 cookie 保存到文件
cookie = http.cookiejar.mozillacookiejar('cookie.txt')
cookie_handler = urllib.request.httpcookieprocessor(cookie)
opener = urllib.request.build_opener(cookie_handler)
response = opener.open('http://www.baidu.com/')
cookie.save(ignore_discard=true,ignore_expires=true)

# 从文件读取 cookie 并添加到请求中
cookie2 = http.cookiejar.mozillacookiejar()
cookie2 = cookie2.load('cookie.txt',ignore_discard=true,ignore_expires=true)
cookie_handler = urllib.request.httpcookieprocessor(cookie2)
opener = urllib.request.build_opener(cookie_handler)
response = opener.open('http://www.baidu.com/')
# 此时已经得到带有 cookie 请求返回的响应

爬虫(五):代理IP、Cookie

 

 

2.3 requests操作cookie

和代理ip一样,如果响应中包含了cookie,那么可以利用cookies属性拿到这个返回的cookie值。 

import requests
url = 'http://www.httpbin.org/cookies'
cookies = {
    'name1':'value1',
    'name2':'value2'
}
response = requests.get(url=url,cookies=cookies)
print(response.text)

爬虫(五):代理IP、Cookie

 

session:

之前使用urllib库,是可以使用opener发送多个请求,多个请求之间是可以共享cookie的。那么如果使用requests,也要达到共享cookie的目的,那么可以使用requests库给我们提供的session对象。注意,这里的session不是web开发中的那个session,这个地方只是一个会话的对象而已。
import requests
url = 'http://www.httpbin.org/cookies'
cookies = {
    'name1':'value1',
    'name2':'value2'
}
session = requests.session()
response = session.get(url=url,cookies=cookies)
print(response.text)

爬虫(五):代理IP、Cookie