前言:爬虫大家肯定都不陌生了,但是有的网站就设计了爬虫和反爬虫的措施,下面就介绍一下爬虫的思路
先来彻底了解一下cookie(笔记哈)
cookie介绍:
cookie是保存在客户机中以键值对形式存储的少量信息的文本文件(重点),是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),由用户客户端计算机暂时或永久保存的信息。
定义于 RFC2109 和 2965 中的都已废弃,最新取代的规范是 RFC6265。
cookie的工作流程:
cookie 其实是存储在浏览器中的纯文本,这个文件路径也很好找,下面会详细的说明。(不要着急)
当网页要发http请求时,浏览器会先检查是否有相应的cookie,有则自动添加在request header中的cookie字段中。这些是浏览器自动帮我们做的,每次都会被浏览器自动放在http请求中。
但在 localStorage 出现之前,cookie被滥用当做了存储工具。什么数据都放在cookie中,即使这些数据只在页面中使用而不需要随请求传送到服务端。当然cookie标准还是做了一些限制的:每个域名下的cookie 的大小最大为4KB,每个域名下的cookie数量最多为20个(但很多浏览器厂商在具体实现时支持大于20个)。
cookie的分类:
cookie分为会话cookie和持久cookie,会话cookie是指在不设定它的生命周期expires时的状态,浏览器的开启到关闭就是一次会话,当关闭浏览器时,会话cookie就会跟随浏览器而销毁。当关闭一个页面时,不影响会话cookie的销毁。会话cookie就像我们没有办理积分卡时,单一的买卖过程,离开之后,信息则销毁。
持久cookie则是设定了它的生命周期expires,此时,cookie像商品一样,有个保质期,关闭浏览器之后,它不会销毁,直到设定的过期时间。对于持久cookie,可以在同一个浏览器中传递数据,比如,你在打开一个淘宝页面登陆后,你在点开一个商品页面,依然是登录状态,即便你关闭了浏览器,再次开启浏览器,依然会是登录状态。这就是因为cookie自动将数据传送到服务器端,在反馈回来的结果。持久cookie就像是我们办理了一张积分卡,即便离开,信息一直保留,直到时间到期,信息销毁。
cookie的位置
步入正题了哈
Chrome的Cookie存放位置:C:\Users\xxx\AppData\Local\Google\Chrome\User Data\Default
进入这个文件夹可以发现一个cookie文件
查阅资料说是一个sqlite数据库文件,我们通过谷歌浏览器访问的网站所产生的sookie都存在这个文本文件里,打开后就是这个样子
乱码一大片,不过仔细观察还能发现点东西的
是不是似曾相识的感觉,以百度页面为例
这点东西就是我们后面需要用的
爬取cookie
在我第一次接触爬虫的时候,是用的java爬取的数据,大概意思也就是模拟浏览器的操作去获取页面,再通过页面解析数据,这样的方法很简单,但是存在一个问题,就是页面的数据有时候异常的不准确(我也不知道是不是我的问题)
后来我就接触了python,因为爬虫学的好监狱进的早
python代码,需要者自取
import csvimport sqlite3import urllib3import osimport jsonimport sysimport base64from cryptography.hazmat.backends import default_backendfrom cryptography.hazmat.primitives.ciphers import Cipher, algorithms, modesurllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)def dpapi_decrypt(encrypted):import ctypesimport ctypes.wintypesclass DATA_BLOB(ctypes.Structure):_fields_ = [('cbData', ctypes.wintypes.DWORD),('pbData', ctypes.POINTER(ctypes.c_char))]p = ctypes.create_string_buffer(encrypted, len(encrypted))blobin = DATA_BLOB(ctypes.sizeof(p), p)blobout = DATA_BLOB()retval = ctypes.windll.crypt32.CryptUnprotectData(ctypes.byref(blobin), None, None, None, None, 0, ctypes.byref(blobout))if not retval:raise ctypes.WinError()result = ctypes.string_at(blobout.pbData, blobout.cbData)ctypes.windll.kernel32.LocalFree(blobout.pbData)return resultdef aes_decrypt(encrypted_txt):with open(os.path.join(os.environ['LOCALAPPDATA'],r"Google\Chrome\User Data\Local State"), encoding='utf-8', mode="r") as f:jsn = json.loads(str(f.readline()))encoded_key = jsn["os_crypt"]["encrypted_key"]encrypted_key = base64.b64decode(encoded_key.encode())encrypted_key = encrypted_key[5:]key = dpapi_decrypt(encrypted_key)nonce = encrypted_txt[3:15]cipher = Cipher(algorithms.AES(key), None, backend=default_backend())cipher.mode = modes.GCM(nonce)decryptor = cipher.decryptor()return decryptor.update(encrypted_txt[15:])def chrome_decrypt(encrypted_txt):if sys.platform == 'win32':try:if encrypted_txt[:4] == b'x01x00x00x00':decrypted_txt = dpapi_decrypt(encrypted_txt)return decrypted_txt.decode()elif encrypted_txt[:3] == b'v10':decrypted_txt = aes_decrypt(encrypted_txt)return decrypted_txt[:-16].decode()except WindowsError:return Noneelse:raise WindowsErrordef get_cookies_from_chrome(domain):sql = f'SELECT name, encrypted_value as value FROM cookies where host_key like "%{domain}%"'filename = os.path.join(os.environ['USERPROFILE'], r'AppData\Local\Google\Chrome\User Data\default\Cookies')con = sqlite3.connect(filename)con.row_factory = sqlite3.Rowcur = con.cursor()cur.execute(sql)cookie = ''for row in cur:if row['value'] is not None:name = row['name']value = chrome_decrypt(row['value'])if value is not None:cookie += name + '=' + value + ';'return cookieif __name__ == '__main__':domain = 'XXXX' # 目标网站域名cookie = get_cookies_from_chrome(domain)print(cookie)
上面就是获取浏览器cookie的代码(防止利用cookie恶意获取数据导致ip被封,所以用的时候慎重啊)
//爬取 域名为 COOKIE_SESSION=165343_0_2_2_0_1_1_0_2_1_1_0_0_0_0_0_0_0_1634191707%7C2%230_0_1634191707%7C1;BD_CK_SAM=1;H_PS_645EC=5a9bnPpiFce%2FLUIneAaf4N2S8mBDccB8L8FVQWDT4G%2FvjC2RXTts8T2ry2c;BD_HOME=1;BD_UPN=12314753;
这个是爬取出来的结果,差异性可以对照一下,具体使用的时候需要自己解析一下
目前对于高版本谷歌浏览器已经无法获取cookie,可前往查看terminal data插件
谢谢捧场(= ̄ω ̄=)喵了个咪