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

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

程序员文章站 2022-04-16 08:25:46
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 ......
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。

  1. 设置了登录限制的页面无法爬取。比如论坛,博客等等
  2. 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:

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

但是如果频繁访问的话:

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

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:

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

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。

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

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。

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

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。

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

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:

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

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:

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

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:

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

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:

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

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:

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

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:

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

接口模块

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

调度模块

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

运行效果

三个进程全部开启:

爬取网站总是被封?大神教你搭建Cookies池,以后远离IP被封

 

Python学习交流群:125240963领取小编精心准备的海量Python学习资料