python爬虫针对需要登陆操作的技巧分析

在日常爬虫中我们经常会遇到一些目标网站需要带上cookie才能获取数据，cookie指某些网站为了辨别用户身份、进行sessionn跟踪而储存在用户本地终端上的数据（通常经过加密）。
举个例子，某些网站是需要登录后才能得到你想要的信息的，不登陆只能是游客模式，那么我们可以利用Urllib2库保存我们以前登录过的Cookie，之后载入cookie获取我们想要的页面，然后再进行抓取。所以cookie主要是为我们快捷模拟登录抓取目标网页做出准备。一般来说我们实现请求大致也有两种方式，第一种是selenium，第二种是包含requests，urllib等的其他类型，那么cookie的获取也是针对这样的结构而言的。比如这里我们可以利用selenium+phantomjs无界面浏览器的形式访问网站，再获取cookie值：

from selenium import webdriver
 
driver=webdriver.PhantomJS()
url="https://et.xiamenair.com/xiamenair/book/findFlights.action?lang=zh&tripType=0&queryFlightInfo=XMN,PEK,2018-01-15"
driver.get(url)

#接下来注意了，要开始获取cookie了.

# 获取cookie列表
cookie_list=driver.get_cookies()#这里主要是使用自带的get_cookies方法

# 格式化打印cookie
for cookie in cookie_list:
    cookie_dict[cookie['name']]=cookie['value']
print(cookie_dict)

一般需要进行登陆后再操作的网站在爬取的时候对IP的限制都是比较严的，这种情况下就需要添加代理IP池，建议可以选择亿牛云提供的爬虫隧道加强版IP池，因为可以设置用户自主切换IP，爬虫程序可以通过设置HTTP头Proxy-Tunnel: 随机数，将不同的请求强制指定为一个代理IP或不同代理IP；该模式适合一些需要登陆（多个session使用相同IP）、Cookie缓存处理等需要精确控制IP切换时机的业务，代码实现过程如下：

    import urllib2
    import random
    import httplib


    class HTTPSConnection(httplib.HTTPSConnection):

        def set_tunnel(self, host, port=None, headers=None):
            httplib.HTTPSConnection.set_tunnel(self, host, port, headers)
            if hasattr(self, 'proxy_tunnel'):
                self._tunnel_headers['Proxy-Tunnel'] = self.proxy_tunnel


    class HTTPSHandler(urllib2.HTTPSHandler):
        def https_open(self, req):
            return urllib2.HTTPSHandler.do_open(self, HTTPSConnection, req, context=self._context)


    # 要访问的目标页面
    targetUrlList = [
        "https://httpbin.org/ip",
        "https://httpbin.org/headers",
        "https://httpbin.org/user-agent",
    ]

    # 代理服务器(产品官网 www.16yun.cn)
    proxyHost = "t.16yun.cn"
    proxyPort = "31111"

    # 代理验证信息
    proxyUser = "username"
    proxyPass = "password"

    proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
        "host": proxyHost,
        "port": proxyPort,
        "user": proxyUser,
        "pass": proxyPass,
    }

    # 设置 http和https访问都是用HTTP代理
    proxies = {
        "http": proxyMeta,
        "https": proxyMeta,
    }

    #  设置IP切换头
    tunnel = random.randint(1, 10000)
    headers = {"Proxy-Tunnel": str(tunnel)}
    HTTPSConnection.proxy_tunnel = tunnel


    proxy = urllib2.ProxyHandler(proxies)
    opener = urllib2.build_opener(proxy, HTTPSHandler)
    urllib2.install_opener(opener)

    # 访问三次网站，使用相同的tunnel标志，均能够保持相同的外网IP
    for i in range(3):
        for url in targetUrlList:
            r = urllib2.Request(url)
            print(urllib2.urlopen(r).read())