最近在研究如何对搜狗搜索公众号文章进行爬取，由于需要用到Cookies，所以这回先了解下Cookies的相关知识。

搜狗的反爬有点厉害，即使我用了高匿代理，它还是会提醒我IP访问过于频繁，然后跳转验证码页面。

其实真正的原因不在于IP，而是Cookies，里面的参数如果一直不变的话，他就会封你的Cookies，通俗说就是封你的微信账号。

因为获取Cookies需要用你的微信账号，在短时间内基本上你的Cookies参数不会改变(就是账号退了再登陆也不会变)。

不过方法还是有的，通过其他搜狗搜索网址动态改变(一个账号没办法呀...)。

这里先对GitHub进行模拟登陆，了解会话及Cookies相关知识。

/ 01 / 网页分析

首先看一下登录页，获取authenticity_token参数值，是一个隐藏式表单元素。

查看登录页的Response Headers，这里的Set-Cookie字段，是设置Cookies的过程。这边呢我的理解是，当你在session那个网页填写账号和密码后，这里就会自动生成一个Cookies返回(其实我也很晕...)。

将Preserve Log打开(表示显示持续日志)，然后输入账号及密码，找到session这个请求。最后得知请求的网址及请求方式(POST)。

这里是session的请求头和表单信息，能看到生成的Cookies信息。

获取用户动态及个人信息的网页就不说了，简单操作。

需要提的一点就是用户动态的网页是Ajax请求，崔大的代码过时了呀...

/ 02 / 数据获取

实现代码如下所示。

from lxml import etree

import requests

class Login(object):

# Login类继承object对象,高级特性

def __init__(self):

# 特殊的方法,类的构造函数或初始化方法,当创建了Login类的实例时就会调用该方法

# self代表类的实例,self在定义类的方法时是必须有的

self.headers = {

'Referer': 'https: // github.com /',

'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36',

'Host': 'github.com'

}

self.login_url = 'https://github.com/login'

# 这里因为崔大的代码不行了,自己去找用户动态信息的真正请求,又是Ajax

self.get_users_url = 'https://github.com/dashboard-feed'

self.post_url = 'https://github.com/session'

self.logined_url = 'https://github.com/settings/profile'

# 创建一个session对象

self.session = requests.Session()

# 类的方法与普通的函数只有一个特别的区别, 它们必须有一个额外的第一个参数名称, 按照惯例它的名称是self

# self不是python关键字，我们把它换成cool也是可以正常执行的

def token(self):

# 获取authenticity_token参数值

response = self.session.get(self.login_url, headers=self.headers)

result = etree.HTML(response.text)

token = result.xpath('//div//input[2]/@value')[0]

return token

def login(self, email, password):

# 模拟登陆GitHub,POST请求

post_data = {

'commit': 'Sign in',

'utf8': '✓',

'authenticity_token': self.token(),

'login': email,

'password': password

}

response = self.session.post(self.post_url, data=post_data, headers=self.headers)

# 获取我所关注的人的动态

if response.status_code == 200:

response = self.session.get(self.get_users_url, headers=self.headers)

self.dynamics(response.text)

# 获取我的个人信息

response = self.session.get(self.logined_url, headers=self.headers)

if response.status_code == 200:

self.profile(response.text)

def dynamics(self, html):

# 获取我所关注的人的动态

result = etree.HTML(html)

dynamics = result.xpath('//div[@class="d-flex flex-items-baseline"]/div')

for item in dynamics:

# 这里我是直接获取标签所有文字，然后去除换行及空格

print(item.xpath('string(.)').strip().replace('\n', '').replace('                          ', '   ').replace('            ', '   ').replace('      ', '   ').replace('     ', '   '))

def profile(self, html):

# 获取我的个人信息

result = etree.HTML(html)

name = result.xpath('//input[@name="user[profile_name]"]/@value')[0]

email = result.xpath('//select[@name="user[profile_email]"]/option[@selected="selected"]/text()')

print(name, email)

if __name__ == '__main__':

# 类的实例化类似函数调用方式

login = Login()

# 使用点号 . 来访问对象的属性

login.login(email='你的账号', password='你的密码')

最后成功登陆，获取动态及个人信息。

/ 03 / 总结

搞了半天，其实对会话和Cookies 还是晕晕的...

这里对类的知识做个总结，平常函数用的多一点，类都没怎么接触，需要好好回忆一下。

类(Class): 用来描述具有相同的属性和方法的对象的集合。它定义了该集合中每个对象所共有的属性和方法。对象是类的实例。

类变量：类变量在整个实例化的对象中是公用的。类变量定义在类中且在函数体之外。类变量通常不作为实例变量使用。

实例变量：定义在方法中的变量，只作用于当前实例的类。

实例化：创建一个类的实例，类的具体对象。

方法：类中定义的函数。

对象：通过类定义的数据结构实例。对象包括两个数据成员(类变量和实例变量)和方法。

这回我也用上了GitHub，其实好几月前就注册了，慢慢了解吧，以后源码网盘、GitHub都会放。

文末点个赞，比心！！！