Scrapy cookie 使用

在需要获取到响应的cookie值更新后才能获取到数据的场景下，Scrapy框架已经为我们自动处理cookie提供了组件支持。

所以在查阅了相关文章并实践填坑后，得出了下面的解决方式。

第一步是设置 settings.py 文件

cookie参数仅在 COOKIES_ENABLED 设置为 True 时才有效，因为 CookiesMiddleware 会处理它。

所以首先在 settings.py 文件里要去掉注释，改成 COOKIES_ENABLED = True

查阅官方文档，官方推荐使用cookiejar https://docs.scrapy.org/en/latest/topics/downloader-middleware.html

for i, url in enumerate(urls):
    yield scrapy.Request(url, meta={'cookiejar': i},
        callback=self.parse_page)
    ##请记住，cookjar元键(meta key)不会一直保留。你需要在后续请求重进行传递。 例如：
    Keep in mind that the cookiejar meta key is not “sticky”.
    You need to keep passing it along on subsequent requests. For example:
def parse_page(self, response):
    # do some processing
    return scrapy.Request("http://www.example.com/otherpage",
        meta={'cookiejar': response.meta['cookiejar']},
        callback=self.parse_other_page)

第二步，按照如下模板代码进行改写，来源于网络。

第一次请求一下登录页面，设置开启cookie使其得到cookie，设置回调函数，添加参数meta={‘cookiejar’:1}。1是标识符，代表当前这个请求的cookie。

执行回调函数处理响应，获取到响应的cookie，在请求中添加参数meta={‘cookiejar’:response.meta[‘cookiejar’]}。

到这一步差不多就能解决需要Set-Cookie才能响应的请求了，之后如果还需模拟登陆也可以参考此模板进行改写。

import scrapy
from scrapy.http import Request,FormRequest
import re

class PachSpider(scrapy.Spider):             #定义爬虫类，必须继承scrapy.Spider
    name = 'pach'                            #设置爬虫名称
    allowed_domains = ['dig.chouti.com']     #爬取域名
    # start_urls = ['']                      #爬取网址,只适于不需要登录的请求，因为没法设置cookie等信息

    header = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0'}#设置浏览器用户代理


    def start_requests(self):
        """第一次请求一下登录页面，设置开启cookie使其得到cookie，设置回调函数"""
        return [Request('http://dig.chouti.com/',meta={'cookiejar':1},callback=self.parse)]

    def parse(self, response):
        # 响应Cookies
        Cookie1 = response.headers.getlist('Set-Cookie')#查看响应Cookie，也就是第一次访问注册页面时后台写入浏览器的Cookie
        print('后台首次写入的响应Cookies：',Cookie1)
        data = {   # 设置用户登录信息，对应抓包得到字段
            'phone': '8615284816568',
            'password': '279819',
            'oneMonth': '1'
        }

        print('登录中....!')
        """第二次用表单post请求，携带Cookie、浏览器代理、用户登录信息，进行登录给Cookie授权"""
        return [FormRequest.from_response(response,
                                          url='http://dig.chouti.com/login',  #真实post地址
                                          meta={'cookiejar':response.meta['cookiejar']},
                                          headers=self.header,
                                          formdata=data,
                                          callback=self.next,
                                          )]


    def next(self,response):
        # 请求Cookie
        Cookie2 = response.request.headers.getlist('Cookie')
        print('登录时携带请求的Cookies：',Cookie2)

        jieg = response.body.decode("utf-8")   #登录后可以查看一下登录响应信息
        print('登录响应结果：',jieg)


        print('正在请需要登录才可以访问的页面....!')

        """登录后请求需要登录才能查看的页面，如个人中心，携带授权后的Cookie请求"""
        yield Request('http://dig.chouti.com/user/link/saved/1',meta={'cookiejar':True},callback=self.next2)

    def next2(self,response):
        # 请求Cookie
        Cookie3 = response.request.headers.getlist('Cookie')
        print('查看需要登录才可以访问的页面携带Cookies：',Cookie3)
        leir = response.xpath('//div[@class="tu"]/a/text()').extract()  #得到个人中心页面
        print('最终内容',leir)
        leir2 = response.xpath('//div[@class="set-tags"]/a/text()').extract()  # 得到个人中心页面
        print(leir2)

最终经过改写上面代码，实现自己需求的代码如下：

# -*- coding: utf-8 -*-
import scrapy
import datetime
from scrapy.http import Request,FormRequest
import json


class NosecSpider(scrapy.Spider):
    name = 'nosec'
    allowed_domains = ['nosec.org']
    # start_urls = ['https://nosec.org/home/index']
    def start_requests(self):
        """第一次请求一下登录页面，设置开启cookie使其得到cookie，设置回调函数"""
        return [Request('https://nosec.org/home/index',meta={'cookiejar':1},callback=self.parse)]


    def parse(self, response):
        x_csrf_token = response.xpath('//meta[@name="csrf-token"]/@content')[0].extract()
        print(x_csrf_token)
        cookie = response.headers.getlist('Set-Cookie')
        print('后台首次写入的响应Cookies：', cookie)
        url = "https://nosec.org/home/ajaxindexdata"
        header = {
            'X-CSRF-TOKEN': x_csrf_token,
            'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36'
        }
        return [FormRequest.from_response(
            response,
            url=url,
            meta={'cookiejar':response.meta['cookiejar']},
            headers=header,
            formdata={"keykind": "", "page": "1"},
            callback=self.parse_nosec,
          )]
        pass


    def parse_nosec(self, response):
        print(response.body_as_unicode)
        datas = json.loads(response.body_as_unicode())
        for data in datas['data']['threatData']['data']:
            title = data['title']
            url = "https://nosec.org/home/detail/" + str(data['id']) + ".html"
            content = data['summary']
            date = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
        pass

参考来源：

http://liuxin.im/article/scrapy登录获取cookies