Scrapy cookie 使用
程序员文章站
2022-05-11 23:16:47
...
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:
上一篇: Jenkins安装与配置
下一篇: bind dlz slave 安装