大家好,又见面了,我是你们的朋友全栈君。
http://blog.csdn.net/pipisorry/article/details/47980653
爬虫爬网站不免遇到需要登录的问题. 登录的时候可能还会碰到需要填验证码的问题, 有的验证码甚至是拖动拼图来完成的. 虽然现在这些都有开源解决方案, 但是假设现在主要的精力想要放在如何解析html, 或者验证抓取算法上, 而不是通过登录验证上, 那么开源解决方案并不是最好的解决方案.更好的方案是获取浏览器的 Cookies, 然后让 requests 这个库来直接使用登录好的 Cookies.
获取 Chrome 浏览器的 Cookies 信息的函数
程序在 Windows 下调试通过, 因为 C 盘需要特殊权限来读写文件, 因此程序先将 Cookies 数据库文件拷贝到当前目录.
#!/usr/bin/env python # -*- coding: utf-8 -*- """ __author__ = 'pi' __email__ = 'pipisorry@126.com' """import subprocess import sqlite3 import win32crypt import requests SOUR_COOKIE_FILENAME = r'C:\Users\pi\AppData\Local\Google\Chrome\User Data\Default\Cookies' DIST_COOKIE_FILENAME = '.\python-chrome-cookies' def get_chrome_cookies(url): subprocess.call(['copy', SOUR_COOKIE_FILENAME, DIST_COOKIE_FILENAME], shell=True) conn = sqlite3.connect(".\python-chrome-cookies") ret_dict = {} for row in conn.execute("SELECT host_key, name, path, value, encrypted_value FROM cookies"): # if row[0] not in url: if row[0] != url: continue print(row[0]) ret = win32crypt.CryptUnprotectData(row[4], None, None, None, 0) ret_dict[row[1]] = ret[1].decode() conn.close() subprocess.call(['del', '.\python-chrome-cookies'], shell=True) return ret_dict使用requests
DOMAIN_NAME = '.jobbole.com' get_url = r'http://www.jobbole.com/' response = requests.get(get_url, cookies=get_chrome_cookies(DOMAIN_NAME)) print(response.text)Note: 要安装requests库,安装及使用blog[python爬虫 – python requests网络请求简洁之道]
使用urllib
import urllib.request DOMAIN_NAME = '.jobbole.com' get_url = r'http://www.jobbole.com/' headers = { 'Cookie': ['='.join((i, j)) for i, j in get_chrome_cookies(DOMAIN_NAME).items()][0]} request = urllib.request.Request(get_url, headers=headers) response = urllib.request.urlopen(request) print(response.read().decode())Note:
1. chrome浏览器加密后的密钥存储于%APPDATA%\..\Local\Google\Chrome\User Data\Default\Login Data”下的一个SQLite数据库中,可以通过Sqlite浏览器来查看一下登陆文件中的数据。密码是调用Windows API函数CryptProtectData来加密的。这意味着,只有用加密时使用的登陆证书,密码才能被恢复。而这根本不是问题,在用户登陆环境下执行解密就OK。SQLite数据库中password_value(是二进制数据,所以SQLite浏览器不能显示)。而破解密码,只需要调用Windows API中的CryptUnprotectData函数。[谷歌Chrome浏览器是如何存储密码的][浏览器是如何存储密码的]
2. Python为调用Windows API准备了一个完美的叫做pywin32的库。只有安装了pywin32才能调用win32crypt。安装教程见[linux和windows下安装python拓展包]
当你的输出中存在“个人主页”“退出登录”字样,就说明登录成功了,否则只会有“登录”“注册”之类的字符串。
此方法同样可以应用于知乎等等网站的登录。
获取 Chrome 浏览器的 Cookies 信息的的另一种方法
chrome > 更多工具 > javascript控制台 > 对应当前页面输入document.cookie。就可以得到当前网页的cookie相关内容,复制到代码中就可以使用了。
或者使用fiddler2,headers中找到Cookie: wordpress_logged_in_0efdf49af511fd88681529ef8c2e5fbf=*************************[cookie登录实战 – 也可以下载软件Fiddler部分]
wordpress_logged_in_0efdf49af511fd88681529ef8c2e5fbf=pipiyn%7C1440989529%7C45ec5e30a3b24a68208815cc5c572c14
get_url = r'http://www.jobbole.com/' cookies = { 'wordpress_logged_in_0efdf49af511fd88681529ef8c2e5fbf': '***username****%*******%**********'} response = requests.get(get_url, cookies=cookies) print(response.text)Note:
1. domain.com 是一级域名,www.domain.com 是域名 domain.com 的一个比较特殊的二级域名。他的特殊就在于现在的实践中,人们在解析域名的的时候,在惯例和默认的情况下,是把 www.domain.com 这个二级域名指向它的一级域名 domain.com。因此,现在的大部分情况下,domain.com 和 www.domain.com,都是一样的。 但是如果在解析域名的时候,没有做这样的设定,也可能就会有区别。
2. 不过可能document.cookie 获取到 www.domain.com 的 cookies, 而不是 .domain.com 的。
from:http://blog.csdn.net/pipisorry/article/details/47980653
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/127384.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...