网站自动采集系统(爬虫在采集网站的过程中如何获取大量Python学习资料 )

　　网站自动采集系统(爬虫在采集网站的过程中如何获取大量Python学习资料

)

　　在采集网站爬虫的过程中，一些价值较高的网站数据会限制访问者的访问行为。这时候建议登录获取目标网站的cookie，然后使用cookie配合代理IP分析数据采集。

　　私信小编01可以获得大量Python学习资料

　　1 使用表格登录

　　这种情况属于post请求，即先将表单数据发送到服务器，服务器将返回的cookie存储在本地。

　　    #! -*- 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cookies登录

　　使用cookies登录，服务器会认为你是登录用户，所以会返回一个登录内容。因此，需要验证码的情况可以通过使用带有验证码的cookie登录来解决。

　　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！

　　如果有验证码，此时使用 response = requests_session.post(url=url_login, data=data) 是不行的。方法应该如下：

　　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！