玩转python爬虫之cookie使用方法

为什么要使用COOKIE呢？

COOKIE，指某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据（通常经过加密）

比如说有些网站需要登录后才能访问某个页面，在登录之前，你想抓取某个页面内容是不允许的。那么我们可以利用Urllib2库保存我们登录的COOKIE，然后再抓取其他页面就达到目的了。

在此之前呢，我们必须先介绍一个opener的概念。

1.Opener

当你获取一个URL你使用一个opener(一个urllib2.OpenerDirector的实例)。在前面，我们都是使用的默认的opener，也就是urlopen。它是一个特殊的opener，可以理解成opener的一个特殊实例，传入的参数仅仅是url，data，timeout。

如果我们需要用到COOKIE，只用这个opener是不能达到目的的，所以我们需要创建更一般的opener来实现对COOKIE的设置。

2.COOKIElib

COOKIElib模块的主要作用是提供可存储COOKIE的对象，以便于与urllib2模块配合使用来访问Internet资源。COOKIElib模块非常强大，我们可以利用本模块的COOKIEJar类的对象来捕获COOKIE并在后续连接请求时重新发送，比如可以实现模拟登录功能。该模块主要的对象有COOKIEJar、FileCOOKIEJar、MozillaCOOKIEJar、LWPCOOKIEJar。

它们的关系：COOKIEJar —-派生—->FileCOOKIEJar —-派生—–>MozillaCOOKIEJar和LWPCOOKIEJar

1）获取COOKIE保存到变量
首先，我们先利用COOKIEJar对象实现获取COOKIE的功能，存储到变量中，先来感受一下

import urllib2
import COOKIElib
#声明一个COOKIEJar对象实例来保存COOKIE
COOKIE = COOKIElib.COOKIEJar()
#利用urllib2库的HTTPCOOKIEProcessor对象来创建COOKIE处理器
handler=urllib2.HTTPCOOKIEProcessor(COOKIE)
#通过handler来构建opener
opener = urllib2.build_opener(handler)
#此处的open方法同urllib2的urlopen方法，也可以传入request
respOnse= opener.open('http://www.baidu.com')
for item in COOKIE:
  print 'Name = '+item.name
  print 'Value = '+item.value

我们使用以上方法将COOKIE保存到变量中，然后打印出了COOKIE中的值，运行结果如下

Name = BAIDUID
Value = B07B663B645729F11F659C02AAE65B4C:FG=1
Name = BAIDUPSID
Value = B07B663B645729F11F659C02AAE65B4C
Name = H_PS_PSSID
Value = 12527_11076_1438_10633
Name = BDSVRTM
Value = 0
Name = BD_HOME
Value = 0

2）保存COOKIE到文件
在上面的方法中，我们将COOKIE保存到了COOKIE这个变量中，如果我们想将COOKIE保存到文件中该怎么做呢？这时，我们就要用到

FileCOOKIEJar这个对象了，在这里我们使用它的子类MozillaCOOKIEJar来实现COOKIE的保存

import COOKIElib
import urllib2
 
#设置保存COOKIE的文件，同级目录下的COOKIE.txt
filename = 'COOKIE.txt'
#声明一个MozillaCOOKIEJar对象实例来保存COOKIE，之后写入文件
COOKIE = COOKIElib.MozillaCOOKIEJar(filename)
#利用urllib2库的HTTPCOOKIEProcessor对象来创建COOKIE处理器
handler = urllib2.HTTPCOOKIEProcessor(COOKIE)
#通过handler来构建opener
opener = urllib2.build_opener(handler)
#创建一个请求，原理同urllib2的urlopen
respOnse= opener.open("http://www.baidu.com")
#保存COOKIE到文件
COOKIE.save(ignore_discard=True, ignore_expires=True)

关于最后save方法的两个参数在此说明一下：

官方解释如下：

ignore_discard: save even COOKIEs set to be discarded.
ignore_expires: save even COOKIEs that have expiredThe file is overwritten if it already exists
由此可见，ignore_discard的意思是即使COOKIEs将被丢弃也将它保存下来，ignore_expires的意思是如果在该文件中COOKIEs已经存在，则覆盖原文件写入，在这里，我们将这两个全部设置为True。运行之后，COOKIEs将被保存到COOKIE.txt文件中，我们查看一下内容，附图如下

3）从文件中获取COOKIE并访问
那么我们已经做到把COOKIE保存到文件中了，如果以后想使用，可以利用下面的方法来读取COOKIE并访问网站，感受一下

import COOKIElib
import urllib2
 
#创建MozillaCOOKIEJar实例对象
COOKIE = COOKIElib.MozillaCOOKIEJar()
#从文件中读取COOKIE内容到变量
COOKIE.load('COOKIE.txt', ignore_discard=True, ignore_expires=True)
#创建请求的request
req = urllib2.Request("http://www.baidu.com")
#利用urllib2的build_opener方法创建一个opener
opener = urllib2.build_opener(urllib2.HTTPCOOKIEProcessor(COOKIE))
respOnse= opener.open(req)
print response.read()

设想，如果我们的 COOKIE.txt 文件中保存的是某个人登录百度的COOKIE，那么我们提取出这个COOKIE文件内容，就可以用以上方法模拟这个人的账号登录百度。

4）利用COOKIE模拟网站登录
下面我们以我们学校的教育系统为例，利用COOKIE实现模拟登录，并将COOKIE信息保存到文本文件中，来感受一下COOKIE大法吧！

注意：密码我改了啊，别偷偷登录本宫的选课系统 o(╯□╰)o

import urllib
import urllib2
import COOKIElib
 
filename = 'COOKIE.txt'
#声明一个MozillaCOOKIEJar对象实例来保存COOKIE，之后写入文件
COOKIE = COOKIElib.MozillaCOOKIEJar(filename)
opener = urllib2.build_opener(urllib2.HTTPCOOKIEProcessor(COOKIE))
postdata = urllib.urlencode({
      'stuid':'201200131012',
      'pwd':'23342321'
    })
#登录教务系统的URL
loginUrl = 'http://jwxt.sdu.edu.cn:7890/pls/wwwbks/bks_login2.login'
#模拟登录，并把COOKIE保存到变量
result = opener.open(loginUrl,postdata)
#保存COOKIE到COOKIE.txt中
COOKIE.save(ignore_discard=True, ignore_expires=True)
#利用COOKIE请求访问另一个网址，此网址是成绩查询网址
gradeUrl = 'http://jwxt.sdu.edu.cn:7890/pls/wwwbks/bkscjcx.curscopre'
#请求访问成绩查询网址
result = opener.open(gradeUrl)
print result.read()

以上程序的原理如下

创建一个带有COOKIE的opener，在访问登录的URL时，将登录后的COOKIE保存下来，然后利用这个COOKIE来访问其他网址。

如登录之后才能查看的成绩查询呀，本学期课表呀等等网址，模拟登录就这么实现啦，是不是很酷炫？

好，小伙伴们要加油哦！我们现在可以顺利获取网站信息了，接下来就是把网站里面有效内容提取出来，下一篇文章我们去会会正则表达式！