Python爬虫:手把手教你采集登陆后才能看到数据

爬虫在采集网站的过程中，部分数据价值较高的网站，会限制访客的访问行为。这种时候建议通过登录的方式，获取目标网站的cookie，然后再使用cookie配合代理IP进行数据采集分析。

私信小编01即可获取大量Python学习资料

1 使用表单登陆

这种情况属于post请求，即先向服务器发送表单数据，服务器再将返回的cookie存入本地。

    #! -*- encoding:utf-8 -*-
 
    import requests
 
    import random
 
    import requests.adapters
 
 
 
    # 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"
 
 
 
    # 代理隧道验证信息
 
    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,
 
    }
 
 
 
    # 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
 
    s = requests.session()
 
 
 
    # 设置cookie
 
    cookie_dict = {"JSESSION":"123456789"}
 
    cookies = requests.utils.cookiejar_from_dict(cookie_dict, cookiejar=None, overwrite=True)
 
    s.cookies = cookies
 
 
 
    for i in range(3):
 
        for url in targetUrlList:
 
            r = s.get(url, proxies=proxies)
 
            print r.text

2 使用cookie登陆

使用cookie登陆，服务器会认为你是一个已登陆的用户，所以就会返回给你一个已登陆的内容。因此，需要验证码的情况可以使用带验证码登陆的cookie解决。

response_captcha = requests_session.get(url=url_login, cookies=cookies)
 
response1 = requests.get(url_login) # 未登陆
 
response2 = requests_session.get(url_login) # 已登陆，因为之前拿到了Response Cookie！
 
response3 = requests_session.get(url_results) # 已登陆，因为之前拿到了Response Cookie！
 

若存在验证码，此时采用response = requests_session.post(url=url_login, data=data)是不行的，做法应该如下：

response_captcha = requests_session.get(url=url_login, cookies=cookies)
 
response1 = requests.get(url_login) # 未登陆
 
response2 = requests_session.get(url_login) # 已登陆，因为之前拿到了Response Cookie！
 
response3 = requests_session.get(url_results) # 已登陆，因为之前拿到了Response Cookie！