Scrapy爬虫框架-通过Cookies模拟自动登录

Scrapy爬虫框架-通过Cookies模拟自动登录
熟练使用Cookies在编写爬虫程序时是非常重要的，Cookies代表用户的信息，如果需要爬取登录后网页的信息，就可以将Cookies信息保存，然后在第二次获取登录后的信息时就不需要再次登录了，直接使用Cookies进行登录即可。

1.3.1 在Scrapy中，如果想在Spider(爬虫)文件中直接定义并设置Cookies参数时，可以参考以下示例代码：

import scrapy

class CookiespiderSpider(scrapy.Spider):
    # 爬虫名称
    name = 'cookieSpider'
    # 域名列表
    allowed_domains = ['httpbin.org/get']
    # 请求初始化列表
    start_urls = ['http://httpbin.org/get']
    # 模拟Cookies信息
    cookies = {
   'CookiesDemo': 'python'}

    def start_requests(self):
        # 发送网络请求，请求地址为start_urls列表中的第一个地址
        yield scrapy.Request(url=self.start_urls[0], cookies=self.cookies, callback=self.parse)

    # 响应信息

    def parse(self, response):
        # 打印响应结果
        print(response.text)
        pass

程序运行结果如下：

{
   
  "args": {
   }, 
  "headers": {
   
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", 
    "Accept-Encoding": "gzip, deflate", 
    "Accept-Language": "en", 
    "Cookie": "CookiesDemo=python",     
    "Host": "httpbin.org", 
    "User-Agent": "Scrapy/2.5.1 (+https://scrapy.org)", 
    "X-Amzn-Trace-Id": "Root=1-620f78be-7272752a5bfe1e53464471ff"
  }, 
  "origin": "122.143.185.159", 
  "url": "http://httpbin.org/get"
}

注 意

以上示例代码中的Cookies是一个模拟测试所使用的信息，并不是一个真实有效的Cookies信息，所以在使用时需要将Cookies信息设置为爬取网站对应的真实Cookies。

1.3.2 通过Cookies模拟自动登录
在Scrapy中除了使用以上示例代码中的方法设置Cookies以外，也可以使用自定义中间件的方式设置Cookies。以爬取某网站登录后的用户名信息为列，具体实现步骤如下：

1.3.2.1 首先在自己选定的文件夹(本例是’/Users/liuxiaowei/PycharmProjects/爬虫练习/Scrapy爬虫框架’)下执行命令“scrapy startproject cookiesDemo“创建项目，然后执行”cd cookiesDemo“执行“scraps genspider cookieSpider douban.com“创建爬虫文件。如下图：

1.3.2.2 在cookieSpider.py文件中编写爬虫代码，代码如下：

import scrapy

class CookiespiderSpider(scrapy.Spider):
    # 爬虫名称
    name = 'cookieSpider'
    # 域名列表
    allowed_domains = ['douban.com']
    # 请求初始化列表
    start_urls = ['http://douban.com/']

    def start_requests(self):
        # 发送网络请求，请求地址为start_urls列表中的第一个地址
        yield scrapy.Request(url=self.start_urls[0],  callback=self.parse)

    # 响应信息
    def parse(self, response):
        # 打印登录后的用户名信息
        print(response.xpath('//*[@id="db-global-nav"]/div/div[1]/ul/li[2]/a/span[1]/text()').extract_first())

        pass
# 导入CrawlerProcess类
from scrapy.crawler import CrawlerProcess
# 导入获取项目设置信息
from scrapy.utils.project import get_project_settings


# 程序入口
if __name__=='__main__':
    # 创建CrawlerProcess类对象并传入项目设置信息参数
    process = CrawlerProcess(get_project_settings())
    # 设置需要启动的爬虫名称
    process.crawl('cookieSpider')
    # 启动爬虫
    process.start()

1.3.2.3 在middlewares.py文件中，定义用于格式化与设置Cookie的中间件，代码如下：

# 自定义Cookies中间件
class CookiesdemoMiddleware(object):
    # 初始化
    def __init__(self, cookies_str):
        self.cookies_str = cookies_str

    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            # 获取配置文件中的Cookies信息
            cookies_str = crawler.settings.get('COOKIES_DEMO')
            )
    # 保持格式化后的Cookies
    cookies = {
   }
    def process_request(self, request, spider):
        # 通过'；'分割Cookies字符串
        for cookie in self.cookies_str.split(';'):
            # 将key与值进行分割
            key, value = cookie.split('=', 1)
            # 将分割后的数据保存至字典中
            self.cookies.__setitem__(key, value)
            # 设置格式化以后的Cookies
        request.cookies = self.cookies

1.3.2.4 在middlewares.py文件中，定义随机设置请求头的中间件。代码如下：

# 导入请求头类
from fake_useragent import UserAgent
# 自定义随机请求头的中间件
class RandomHeaderMiddleware(object):
    # 随机请求头对象
    def __init__(self, crawler):
        self.ua = UserAgent()
        # 如果配置文件中不存在就使用默认的Google Chrome请求头
        self.type = crawler.settings.get('RANDOM_UA_TYPE', 'chrome')

    @classmethod
    def from_crawler(cls, crawler):
        # 返回cls()实例对象
        return cls(crawler)

    # 发送网络请求时调用该方法
    def process_request(self, request, spider):
        # 设置随机生成的请求头
        request.headers.setdefault('User-Agent', getattr(self.ua, self.type))

1.3.2.5 打开settings.py 文件，在该文件中首先将DOWNLOADER_MIDDLEWARES配置信息中的默认配置信息禁用，然后添加用于处理Cookies与随机请求头的配置信息并激活，最后定义从浏览器中获取的Cookies信息，代码如下：

DOWNLOADER_MIDDLEWARES = {
   
    # 启动自定义cookies中间件
    'cookiesDemo.middlewares.CookiesdemoMiddleware': 201,
    # 启动自定义随机请求头中间件
   'cookiesDemo.middlewares.RandomHeaderMiddleware':202,
    # 禁用默认生成的配置信息
   'cookiesDemo.middlewares.CookiesdemoDownloaderMiddleware': None,
}
# 定义从浏览器中获取的Cookies
COOKIES_DEMO = '此处填写您自己登录网页后中的Cookie信息'

程序运行结果如下：

2022-02-18 21:17:49 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.douban.com/> (referer: None)
bruce_liu的帐号
2022-02-18 21:17:49 [scrapy.core.engine] INFO: Closing spider (finished)

与抓包工具里显示的登录用户信息完全一致。