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。

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！ 
  

 【编辑推荐】