python爬虫中Session 和 cookie的使用

原创

小白学大数据

发布于 2023-03-03 16:26:53

9810

发布于 2023-03-03 16:26:53

在日常采集数据的过程中，我们经常会遇到有些页面只有登录之后我们才可以访问，并且在登录之后可以连续进行一系列操作，但是有些时候又需要重新进行登录。甚至有些网站登录很长的时间都不会失效，这种情况又是为什么？其实这里面涉及到 Session 和 cookie 的相关知识。

cookie的基本知识想必大家做爬虫的都很清楚，关于Session这里可以好好的解释下，Session最简单的理解就是会话，主要作用就是用来记录一个用户在目标网站上的一些行为、一些状态，而这些用户状态可以利用Cookie中的Session ID来标识。

cookie和Session一般会在网站的反爬中应用中比较常见。

在访问某些网站的时候，是需要先进行登录才能进行下一步操作的。如果利用爬虫程序模拟人登陆的行为，主要有以下三种：

爬虫代码里通过request.post里的参数data中，有自己的登录的账号信息。
访问页面的时候，从header是中找到cookie并复制，写到python脚本里的headers中，但是在使用过程中cookie的时效性也是需要考虑的。
通过session方法，是比较推荐的一种方式，比如python使用Keep-Alive保持相同代理IP进行采集,并进行状态判断,失败后重新发起，代码如下：

#! -- encoding:utf-8 -- import requests import requests.adapters import time # 导入time模块，用于等待

#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 = “16yun” proxyPass = “16ip” proxyMeta = f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"

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

#设置代理和重试策略
adapter = requests.adapters.HTTPAdapter( proxy=proxies, max_retries=3 )

#访问三次网站，使用相同的Session(keep-alive)，均能够保持相同的外网IP
with requests.session() as s: # 设置cookie # cookie_dict = {“JSESSION”:“123456789”} # cookies = requests.utils.cookiejar_from_dict(cookie_dict, cookiejar=None, overwrite=True) # s.cookies = cookies

# 为session设置代理和重试策略
s.mount("http://", adapter)
s.mount("https://", adapter)

for i in range(3):
    for j, url in enumerate(targetUrlList):
        r = s.get(url)
        # 判断状态码是否为200，如果不是，等待1秒后重试
        while r.status_code != 200: # 添加循环条件
            print(f"第{i+1}次访问第{j+1}个网站的状态码为{r.status_code}，等待1秒后重试")
            time.sleep(1) # 等待1秒
            r = s.get(url) # 重新发起请求
        print(f"第{i+1}次访问第{j+1}个网站的结果：")
        print(r.text)

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

爬虫