爬取网站总是被封？大神教你搭建Cookies池，以后远离IP被封
摘要
本文作者：崔庆才
GitHub地址：https://github.com/Python3WebSpider/CookiesPool
小编推荐一本崔大大写的网络爬虫的书籍《Python3网络爬虫开发实战》
Python学习交流群：125240963即可获取
很多时候，在爬取没有登录的情况下，我们也可以访问一部分页面或请求一些接口，因为毕竟网站本身需要做SEO，不会对所有页面都设置登录限制。
但是，不登录直接爬取会有一些弊端，弊端主要有以下两点。
- 设置了登录限制的页面无法爬取。比如论坛，博客等等
- 如果没有登录请求频繁就很容易被限制或者IP直接被封
下面我们就第二种情况做一个简单的实验。以微博为例，我们先找到一个Ajax接口，例如新浪财经官方微博的信息接口
如果用浏览器直接访问，返回的数据是JSON格式，如下图所示：
但是如果频繁访问的话：
登录微博账号之后重新打开此链接，则页面正常显示接口的结果，而未登录的页面仍然显示请求过于频繁，如下图所示：
我们以新浪微博为例来实现一个Cookies池的搭建过程。
准备工作
搭建之前肯定需要一些微博的账号。需要安装好Redis数据库并使其正常运行。需要安装Python的RedisPy、requests、Selelnium、Flask库。另外，还需要安装Chrome浏览器并配置好ChromeDriver。
Cookies池架构
Cookies的架构和代理池类似，同样是4个核心模块，如下图所示。
Cookies池架构的基本模块分为4块：存储模块、生成模块、检测模块、接口模块。
Cookies池的实现
存储模块
需要存储的内容无非就是账号信息和Cookies信息。
建立两个Hash，结构分别如下图所示。
Hash的Key就是账号，Value对应着密码或者Cookies。
接下来我们创建一个存储模块类，用以提供一些Hash的基本操作，代码如下：
生成模块
生成模块负责获取各个账号信息并模拟登录，随后生成Cookies并保存。
这里主要逻辑就是找出那些还没有对应Cookies的账号，然后再逐个获取Cookies，代码如下：
因为我们对接的是新浪微博，前面我们已经破解了新浪微博的四宫格验证码，在这里我们直接对接过来即可，不过现在需要加一个获取Cookies的方法，并针对不同的情况返回不同的结果，逻辑如下所示：
这里返回结果的类型是字典，并且附有状态码status，在生成模块里我们可以根据不同的状态码做不同的处理。例如
状态码为1的情况：表示成功获取Cookies，我们只需要将Cookies保存到数据库即可。
状态码为2的情况：代表用户名或密码错误，那么我们就应该把当前数据库中存储的账号信息删除。
状态码为3的情况：代表登录失败的一些错误，此时不能判断是否用户名或密码错误，也不能成功获取Cookies，那么简单提示再进行下一个处理即可。
代码实现如下所示：
检测模块
检测模块需要做的就是检测Cookies失效，然后将其从数据中移除。
我们还需要增加一个定时检测模块，它负责遍历池中的所有Cookies，同时设置好对应的检测链接，我们用一个个Cookies去请求这个链接。
为了实现通用可扩展性，我们首先定义一个检测器的父类，声明一些通用组件，实现如下所示：
如检测微博的就可以定义为WeiboValidTester，实现其独有的test()方法来检测微博的Cookies是否合法，然后做相应的处理，所以在这里我们还需要再加一个子类来继承这个ValidTester，重写其test()方法，实现如下：
接口模块
调度模块
运行效果
三个进程全部开启：
Python学习交流群：125240963领取小编精心准备的海量Python学习资料