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】
