社区首页 >专栏 >如何避免爬虫因Cookie过期导致登录失效

如何避免爬虫因Cookie过期导致登录失效

原创

小白学大数据

发布于 2025-04-27 08:32:48

23700

代码可运行

运行总次数：0

代码可运行

1. Cookie的作用及其过期机制

1.1 什么是Cookie？

Cookie是服务器发送到用户浏览器并保存在本地的一小段数据，用于维持用户会话状态。爬虫在模拟登录后，通常需要携带Cookie访问后续页面。

1.2 Cookie为什么会过期？

会话Cookie（Session Cookie）：浏览器关闭后失效。
持久Cookie（Persistent Cookie）：设置Expires或Max-Age属性，超时后失效。
服务器主动失效：如用户修改密码、长时间未操作等。

如果爬虫未正确处理Cookie过期问题，会导致：

请求返回401/403状态码
被重定向到登录页面
触发网站反爬机制（如封禁IP）

2. 检测Cookie是否过期的策略

2.1 直接检测HTTP响应

检查返回状态码（如302重定向到登录页）。
检查响应内容是否包含登录提示（如"请先登录"）。

import requests

def check_cookie_valid(session):
    test_url = "https://example.com/user/profile"  # 需要登录才能访问的页面
    response = session.get(test_url)
    
    if response.status_code == 200 and "个人中心" in response.text:
        return True  # Cookie有效
    else:
        return False  # Cookie失效

2.2 检查Cookie的Expires属性

如果服务器返回的Cookie带有Expires字段，可以解析并判断是否已过期。

from datetime import datetime

def is_cookie_expired(cookie):
    if "expires" in cookie:
        expires_time = datetime.strptime(cookie["expires"], "%a, %d-%b-%Y %H:%M:%S GMT")
        return expires_time < datetime.now()
    return False  # 无过期时间或会话Cookie

3. 自动刷新Cookie的解决方案

3.1 重新登录获取新Cookie

当检测到Cookie失效时，自动调用登录接口更新Cookie。

def login(username, password):
    login_url = "https://example.com/login"
    session = requests.Session()
    payload = {"username": username, "password": password}
    response = session.post(login_url, data=payload)
    
    if "登录成功" in response.text:
        return session  # 返回带新Cookie的Session
    else:
        raise Exception("登录失败")

3.2 使用Session对象持久化Cookie

requests.Session()可自动管理Cookie，但需结合存储机制（如文件、数据库）实现长期有效。

import pickle

def save_session(session, filename="session.pkl"):
    with open(filename, "wb") as f:
        pickle.dump(session.cookies, f)

def load_session(filename="session.pkl"):
    session = requests.Session()
    try:
        with open(filename, "rb") as f:
            session.cookies.update(pickle.load(f))
    except FileNotFoundError:
        pass  # 首次运行无缓存
    return session

3.3 结合Redis缓存Cookie（分布式爬虫适用）

import redis
import pickle

redis_client = redis.StrictRedis(host="localhost", port=6379, db=0)

def save_session_to_redis(session, key="example_cookie"):
    redis_client.set(key, pickle.dumps(session.cookies))

def load_session_from_redis(key="example_cookie"):
    session = requests.Session()
    cookie_data = redis_client.get(key)
    if cookie_data:
        session.cookies.update(pickle.loads(cookie_data))
    return session

4. 进阶优化方案

4.1 使用Selenium处理动态Cookie

某些网站采用JavaScript动态生成Cookie，可使用selenium模拟浏览器登录。

from selenium import webdriver
from selenium.webdriver.common.by import By

def selenium_login(username, password):
    driver = webdriver.Chrome()
    driver.get("https://example.com/login")
    driver.find_element(By.NAME, "username").send_keys(username)
    driver.find_element(By.NAME, "password").send_keys(password)
    driver.find_element(By.XPATH, "//button[@type='submit']").click()
    
    # 获取Cookie并转为requests可用的格式
    cookies = driver.get_cookies()
    session = requests.Session()
    for cookie in cookies:
        session.cookies.set(cookie["name"], cookie["value"])
    
    driver.quit()
    return session

4.2 结合代理IP和User-Agent轮换

避免因频繁登录触发反爬。

import requests
from requests.auth import HTTPProxyAuth

# 爬虫配置
LOGIN_URL = "https://example.com/login"  # 登录页面的 URL
DATA_URL = "https://example.com/data"    # 需要爬取数据的 URL
USERNAME = "your_username"               # 用户名
PASSWORD = "your_password"               # 密码

# 代理配置
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"

# 构造代理地址
proxies = {
    "http": f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}",
    "https": f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}",
}

# 请求头
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3",
}

# 登录函数
def login():
    session = requests.Session()
    login_data = {
        "username": USERNAME,
        "password": PASSWORD
    }
    response = session.post(LOGIN_URL, data=login_data, headers=headers, proxies=proxies, auth=HTTPProxyAuth(proxyUser, proxyPass))
    if response.status_code == 200:
        print("登录成功，获取到新的 Cookie")
        return session
    else:
        print("登录失败")
        return None

# 检测 Cookie 是否过期
def check_cookie(session):
    response = session.get(DATA_URL, headers=headers, proxies=proxies)
    if response.status_code == 401 or response.status_code == 403:
        print("Cookie 过期，需要重新登录")
        return False
    elif "登录已失效" in response.text:
        print("Cookie 过期，需要重新登录")
        return False
    else:
        print("Cookie 仍然有效")
        return True

# 主爬虫逻辑
def main():
    session = login()  # 首次登录获取 Cookie
    if session is None:
        print("无法登录，爬虫终止")
        return

    while True:
        if check_cookie(session):  # 检测 Cookie 是否过期
            # 如果 Cookie 有效，继续爬取数据
            response = session.get(DATA_URL, headers=headers, proxies=proxies)
            if response.status_code == 200:
                print("成功获取数据")
                # 处理数据
                print(response.text)
            else:
                print("数据获取失败")
        else:
            # 如果 Cookie 过期，重新登录
            session = login()
            if session is None:
                print("重新登录失败，爬虫终止")
                break

if __name__ == "__main__":
    main()