当前位置: 主页 > 日志 > Webscraping >

Web数据抓取经验分享:如何处理Cookie验证

在做Web数据抓取时,有时会遇到一些页面进行了Cookie验证,爬虫拿不到正确的页面。

 

在开始之前,先介绍一个利器:火狐的抓包插件-Live HTTP headers

如何安装Live HTTP headers(假设你已经安装Firefox了)?

火狐工具栏:工具,附加组件,获取附件组件标签,搜索”Live HTTP headers“,找到后点击”安装“,安装成功后会提示重启Firefox,重启后插件安装完毕。

如何启动Live HTTP headers?

火狐工具栏:工具,点击菜单中的Live HTTP headers,界面如下图所示。

 

当我们在Firefox中打开新的链接或者页面JS与服务器进行了交互(Ajax)后,在Live HTTP headers中就会显示出浏览器发出的请求报文以及服务器的应答报文,如下图所示。

 
如果想暂停抓取(比如,已经出现我们感兴趣的报文时),去掉Capture前的勾即可。
点击Clear按钮可以清除掉列表中的数据。
 
如何重新发送某个HTTP请求?
选中该请求,然后点击Replay按钮,会出现一个HTTP请求编辑窗口,如下图所示。
 
 
在这里我们可以对请求的数据进行任意的修改,点击Replay按钮当前的请求报文就会被重新发送。服务器的响应会出现在当前浏览器的活动标签页上。
 
Live HTTP headers的介绍就到这里,下面开始正题。
 
 
 
 
例如,http://www.groupon.com/huntsville/ 这个页面(一个团购站),爬虫直接爬取始终得不到正确的数据。
 
我们初次访问的时候,会出现一个确认提示窗口(我们要抓取的是一个团购页面,不是现在显示的页面),如下图所示。
 
 
 
我们用Live HTTP headers来模拟这个请求(如下图所示),服务器应答相同的页面。
 
 
 
 
当我们点击页面中的Continue按钮、输入电子邮箱确定后,就看到了正确的页面(如下图所示)了。
 
 
这时我们再重新输入http://www.groupon.com/huntsville/,出现的还是上面的正确页面(没有再次出现确认页面)。
 
根据经验可以判断这个网站检测了Cookie:
第一次访问的时候它在Cookie中没有检测到某个标记,所以它重定向到一个确认页面。
当我们点击Continue并输入邮箱确认后,它在Cookie中设置了这标记,所以当第二次访问http://www.groupon.com/huntsville/时没有出现确认页面而是直接显示了目标页面。
 
因此,如果我们的爬虫直接去爬取http://www.groupon.com/huntsville/,得到的将是确认页的HTML,无法采集的正确的信息。
 
 
刷新当前页面,并用Live HTTP headers捕获发出的报文,如下图所示。
 
 
可以看到这次的HTTP请求头与上次相比多了Cookie字段。 我们再次提交该请求,发现浏览器显示的还是正确的页面。
 
将Cookie字段删除(如下图所示)重新提交,确认页面又出现了。
 
 
 

看来,玄机就藏于Cookie中了。

Cookie: adchemy_id=; division=huntsville; b=d9c83b52-4d41-11e0-acfb-0050569540c9; s=d9c84a48-4d41-11e0-acfb-0050569540c9; visited=true; _thepoint=ee1f3ef0522d06f05c475a21b4efc9d6; __utma=44473723.477787770.1300000481.1300000481.1300000481.1; __utmb=44473723.13.8.1300000750575; __utmc=44473723; __utmz=44473723.1300000481.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); _chartbeat2=5zbqenbjyupzen6c; __utmv=44473723.|2=Exp-deal_page_030311=price_for_value%2F0=1,

 

一种保守的做法就是在我们爬虫的请求头中加入上面的Cookie字段,这样肯定是没有问题的。但是这里面有很多的冗余数据可以去掉,留下标记参数即可。

如何确定标记参数呢?

我们可以将上面的Cookie参数挨个放入进行测试,直到返回正常页面为止。

一般来说,参数的名称都是有意义的,因此我们可以根据名称猜测,比如本例中 visited=true; 这个参数的可能性是最大的,因此我们可以先测试这个参数(如下图所示)。

 

 

经过测试发现,这个标记参数正是 visited=true;。 知道这个后,我们在爬虫中加入这个参数就能抓到正确的页面了。

 

 

 

 

[日志信息]

该日志于 2011-03-13 14:38 由 redice 发表在 redice's Blog ,你除了可以发表评论外,还可以转载 “Web数据抓取经验分享:如何处理Cookie验证” 日志到你的网站或博客,但是请保留源地址及作者信息,谢谢!!    (尊重他人劳动,你我共同努力)
   
验证(必填):   点击我更换验证码

redice's Blog  is powered by DedeCms |  Theme by Monkeii.Lee |  网站地图 |  本服务器由西安鲲之鹏网络信息技术有限公司友情提供

返回顶部