python学习: 使用browsercookie从浏览器获取cookies

上一节，我们使用Charles记录 微博 的登录过程，并从中解析出了微博的登录细节，还用Python模拟实现了整个过程。只要微博登录不改变，我们的代码就一直可用，这也算是一劳永逸的事情了，而且程序运行中不需要人工参与，高度自动化。记得之前微博还是有验证码的，这次重新实现的这个过程中没有发现验证码的蛛丝马迹。

完全用Python实现模拟登录的过程其实是很累的，考验的是耐力、观察力、联想能力等等。虽然累，但一旦完成后面就省心了，也算是值得一试。

然而世事无常，并非所有登录都像微博那样无验证码（也许有，只是没有跳出来），更多的是像12306，知乎，哔哩哔哩那样上了变态的验证码的。有时候为了自动识别验证码耗费的精力之大难以想象，所以我们写 爬虫 时，要综合考量投入产出比，人工输入验证码可能是更快捷便利的方法。

今天，我们就介绍一款专门从浏览器缓存的 cookies 获取cookies的工具，一个Python的模块：browsercookie。

它是一个很有用的爬虫工具，通过加载你浏览器的cookies到一个cookiejar对象里面，让你轻松下载需要登录的网页内容。

browsercookie 的安装

它的源代码在bitbucket上： browsercookie

可以从源码安装，或者直接pip安装

pip install browsercookie
 

需要注意的是，在Windows系统下，内置的sqlite模块在加载FireFox数据库时会抛出错误。需要更新sqlite的版本：

pip install pysqlite
 

browsercookie 的使用

我们拿 百度 的首页来做实验，如果没有登录cookies，打开的首页右上角菜单栏显示登录而不显示用户名，如果有登录cookies，首页则显示用户名而不显示登录，通过在得到的html中搜索“登录”来验证这两者的不同准备工作就是，要先打开浏览器（比如 Chrome , 或Firefox）登录一下百度，然后就可以关掉浏览器了，当然开着也无所谓。

首先，我们看看未登录状态下得到的标题：

In [1]: import requests
In [2]: url = '
In [3]: r1 = requests.get(url)
In [4]: r1.content. decode ('utf-8').find('登录')
Out[4]: 1580
In [5]: r1.content.decode('utf8').find('user-name')
Out[5]: -1
 

由上面的实验我们看出来，没有cookies请求得到登录的信息，‘user-name’是显示登录名时的css的class，通过查找user-name再次确认没有登录。

然后，在看看从浏览器获得cookies后得到的标题：

In [11]: cjff = browsercookie.firefox()
In [12]:  header  = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36'}
In [13]: r2 = requests.get(url, cookies=cjff, headers=header)
In [14]: r2.content.decode('utf8').find('登录')
Out[14]: -1
In [15]: r2.content.decode('utf8').find('user-name')
Out[15]: 5038
 

通过上面的代码，我们验证了从browsercookie获取cookies并成功登录的百度。

细心的小猿们可能已经发现了，我用的cookies是从Firefox 那里 得来的

cjff = browsercookie.firefox()。

原因是，我先实验从Chrome那里获取cookies，得到的cookies里面确实也包含百度，但是就是不能登录，于是改用Firefox就轻松登录了。

browsercookie 的缺憾

前面我们也提到了从Chrome获得的cookies不能登录百度的问题，后来我又实验了几个不同的网站，有的可以也有不可以的，再次证明了这个模块的不完美。

不过，这个库用起来很简单，几行代码就可以验证它对我们要登录的网站是否起作用，所以，写爬虫遇到登录的问题不妨先拿它验证一下，万一行呢，不就省了很多精力。

还有一类问题，就是你得到了cookies，访问任何该网站的URL，它都先返回一段登录验证的html，里面通过JS重定向到不同的网址，你需要进一步解析这段JS代码才能访问到你真正想访问的目标网址，这样的操作就比较累人，这样的网站对爬虫很不友好。别猜了，我说的就是微博。

这种异步加载的网页越来越多，尤其是前端框架ReactJS, VueJS等框架的出现让前后端分离，由浏览器运行JavaScript来渲染前端。这个时候，就需要我们的爬虫支持JavaScript的运行，此时此刻，requests等单纯的HTTP协议库已经无能为力了，我们需要更强大的工具