Python网络爬虫之requests模块（2）

发布时间：2025-11-05 09:00:07 来源：技术快报 作者：域名

　　了解cookie和session

　　无状态的网络http协议

　　如上图所示，HTTP协议 是爬虫无状态的协议，用户浏览服务器上的网络内容，只需要发送页面请求，爬虫服务器返回内容。网络对于服务器来说，爬虫并不关心，网络也并不知道是爬虫哪个用户的请求。对于一般浏览性的网络网页来说，没有任何问题。爬虫

　　但是网络，现在很多的爬虫网站，是网络需要用户登录的。以淘宝为例：比如说某个用户想购买一个产品，爬虫当点击 “ 购买按钮 ” 时，网络由于HTTP协议 是无状态的，那对于淘宝来说，就不知道是哪个用户操作的。

　　为了实现这种用户标记，云服务器提供商服务器就采用了cookie这种机制来识别具体是哪一个用户的访问。

　　了解Cookie

　　如图，为了实现用户标记，在Http无状态请求的基础之上，我们需要在请求中携带一些用户信息(比如用户名之类，这些信息是服务器发送到本地浏览器的，但是服务器并不存储这些信息)，这就是cookie机制。

　　需要注意的是：cookie信息是保存在本地浏览器里面的，服务器上并不存储相关的信息。 在发送请求时，cookie的这些内容是放在 Http协议中的header 字段中进行传输的。

　　几乎现在所有的网站都会发送一些 cookie信息过来，当用户请求中携带了cookie信息，服务器就可以知道是哪个用户的香港云服务器访问了，从而不需要再使用账户和密码登录。

　　但是，刚才也提到了，cookie信息是直接放在Http协议的header中进行传输的，看得出来，这是个隐患!一旦别人获取到你的cookie信息(截获请求，或者使用你的电脑)，那么他很容易从cookie中分析出你的用户名和密码。为了解决这个隐患，所以有了session机制。

　　了解session

　　刚才提到了cookie不安全，所以有了session机制。简单来说(每个框架都不一样，这只是举一个通用的实现策略)，整过过程是这样：

　　服务器根据用户名和密码，生成一个session ID，存储到服务器的数据库中。

　　用户登录访问时，服务器会将对应的session ID发送给用户(本地浏览器)。服务器租用

　　浏览器会将这个session ID存储到cookie中，作为一个键值项。

　　以后，浏览器每次请求，就会将含有session ID的cookie信息，一起发送给服务器。

　　服务器收到请求之后，通过cookie中的session ID，到数据库中去查询，解析出对应的用户名，就知道是哪个用户的请求了。

　　总结

　　cookie 在客户端(本地浏览器)，session 在服务器端。cookie是一种浏览器本地存储机制。存储在本地浏览器中，和服务器没有关系。每次请求，用户会带上本地cookie的信息。这些cookie信息也是服务器之前发送给浏览器的，或者是用户之前填写的一些信息。

　　Cookie有不安全机制。 你不能把所有的用户信息都存在本地，一旦被别人窃取，就知道你的用户名和密码，就会很危险。所以引入了session机制。

　　服务器在发送id时引入了一种session的机制，很简单，就是根据用户名和密码，生成了一段随机的字符串，这段字符串是有过期时间的。

　　一定要注意：session是服务器生成的，存储在服务器的数据库或者文件中，然后把sessionID发送给用户，用户存储在本地cookie中。每次请求时，把这个session ID带给服务器，服务器根据session ID到数据库中去查询，找到是哪个用户，就可以对用户进行标记了。

　　session 的运行依赖 session ID，而 session ID 是存在 cookie 中的，也就是说，如果浏览器禁用了 cookie ，那么同时 session 也会失效(但是可以通过其它方式实现，比如在url中传递 session ID)

　　用户验证这种场合一般会用 session。 因此，维持一个会话的核心就是客户端的唯一标识，即session ID

　　有些时候，我们在使用爬虫程序去爬取一些用户相关信息的数据(爬取张三“人人网”个人主页数据)时，如果使用之前requests模块常规操作时，往往达不到我们想要的目的，例如：

　　一.基于requests模块的cookie操作

　　结果发现，写入到文件中的数据，不是张三个人页面的数据，而是人人网登陆的首页面，why?首先我们来回顾下cookie的相关概念及作用：

　　cookie概念：当用户通过浏览器首次访问一个域名时，访问的web服务器会给客户端发送数据，以保持web服务器与客户端之间的状态保持，这些数据就是cookie。

　　cookie作用：我们在浏览器中，经常涉及到数据的交换，比如你登录邮箱，登录一个页面。我们经常会在此时设置30天内记住我，或者自动登录选项。那么它们是怎么记录信息的呢，答案就是今天的主角cookie了，Cookie是由HTTP服务器设置的，保存在浏览器中，但HTTP协议是一种无状态协议，在数据交换完毕后，服务器端和客户端的链接就会关闭，每次交换数据都需要建立新的链接。就像我们去超市买东西，没有积分卡的情况下，我们买完东西之后，超市没有我们的任何消费信息，但我们办了积分卡之后，超市就有了我们的消费信息。cookie就像是积分卡，可以保存积分，商品就是我们的信息，超市的系统就像服务器后台，http协议就是交易的过程。

　　经过cookie的相关介绍，其实你已经知道了为什么上述案例中爬取到的不是张三个人信息页，而是登录页面。那应该如何抓取到张三的个人信息页呢?

　　思路：

　　1.我们需要使用爬虫程序对人人网的登录时的请求进行一次抓取，获取请求中的cookie数据

　　2.在使用个人信息页的url进行请求时，该请求需要携带 1 中的cookie，只有携带了cookie后，服务器才可识别这次请求的用户信息，方可响应回指定的用户信息页数据

　　二.基于requests模块的代理操作

　　什么是代理

　　代理就是第三方代替本体处理相关事务。例如：生活中的代理：代购，中介，微商......

　　爬虫中为什么需要使用代理

　　一些网站会有相应的反爬虫措施，例如很多网站会检测某一段时间某个IP的访问次数，如果访问频率太快以至于看起来不像正常访客，它可能就会会禁止这个IP的访问。所以我们需要设置一些代理IP，每隔一段时间换一个代理IP，就算IP被禁止，依然可以换个IP继续爬取。

　　代理的分类：

　　正向代理：代理客户端获取数据。正向代理是为了保护客户端防止被追究责任。

　　反向代理：代理服务器提供数据。反向代理是为了保护服务器或负责负载均衡。

　　免费代理ip提供网站

　　http://www.goubanjia.com/

　　西祠代理

　　快代理

　　代码

　　三.基于multiprocessing.dummy线程池的数据爬取

　　需求：爬取梨视频的视频信息，并计算其爬取数据的耗时

　　普通爬取

　　基于线程池的爬取

相关文章