当前位置：首页 > news >正文

解决Python爬虫访问HTTPS资源时Cookie超时问题

news 2025/7/18 6:42:43

一、问题背景：Cookie 15 秒就失效了？

很多互联网图片站为了防止盗链，会把图片地址放在 HTTPS 接口里，并且给访问者下发一个带 Path=/ 的 Cookie，有效期极短（15 s～60 s）。常规 Requests 脚本在下载第二张图时就会 401 或 403。

本文以某壁纸站 https://example-pics.com 为例，演示如何：

自动化获取并刷新 Cookie；
在下载高并发图片时维持 Cookie 活性；
把方案工程化到 Scrapy / Celery / Lambda 等场景。

二、技术原理：为什么 Cookie 会“秒死”

服务端在返回 Set-Cookie 时同时下发 HttpOnly + Secure + SameSite=Lax，浏览器 15 s 后失效。
服务端会校验 TLS 指纹 + IP + User-Agent + Cookie 四元组，任一变化即作废。
多数站点使用 __cf_bm、cf_clearance 等 Cloudflare 反爬 Cookie，有效期 30 min，但图片站为了节省带宽，把有效期降到 15 s。

因此，我们需要在 Python 侧模拟浏览器行为，持续刷新 Cookie，并把 Cookie 与 TLS 指纹、IP 绑定。

三、整体方案

使用 Playwright/Selenium 跑无头浏览器，真实渲染页面，拿到完整 Cookie。
把 Cookie 注入到 Requests Session（或 aiohttp），利用 HTTP/2 和连接复用，减少 TLS 握手开销。
对 Cookie 做“热插拔”：每 10 s 异步刷新一次，保证并发下载线程/协程拿到的 Cookie 永远有效。
分布式场景下，把 Cookie 放到 Redis + TTL，供所有 Worker 共享。

四、最小可运行 Demo（单机版）

4.1 安装 & 初始化

4.2 核心代码

# cookie_refresher.py
import asyncio, json, time, os
from playwright.async_api import async_playwright
import requestsclass CookieRefresher:def __init__(self, login_url, headers):self.login_url = login_urlself.headers = headersself.jar = requests.cookies.RequestsCookieJar()async def start(self):async with async_playwright() as p:browser = await p.chromium.launch(headless=True)page = await browser.new_page(extra_http_headers=self.headers)await page.goto(self.login_url)await page.wait_for_load_state("networkidle")# 如果站点需要登录，可在此处填入账号密码并点击登录# await page.fill('#username', 'xxx')# await page.click('#loginBtn')# 等待重定向await page.wait_for_timeout(3000)cookies = await page.context.cookies()# 把 playwright cookie 格式转为 requests 格式for c in cookies:self.jar.set(name=c["name"],value=c["value"],domain=c["domain"],path=c["path"])await browser.close()def get_session(self):sess = requests.Session()sess.headers.update(self.headers)sess.cookies.update(self.jar)return sessasync def main():refresher = CookieRefresher(login_url="https://example-pics.com/login",headers={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) ""AppleWebKit/537.36 (KHTML, like Gecko) ""Chrome/126.0.0.0 Safari/537.36"})await refresher.start()session = refresher.get_session()# 下载 20 张图片for i in range(1, 21):url = f"https://example-pics.com/images/{i}.jpg"resp = session.get(url, stream=True)if resp.status_code == 200:with open(f"img/{i}.jpg", "wb") as f:for chunk in resp.iter_content(8192):f.write(chunk)print(f"✅ 下载 {i}.jpg 成功")else:print(f"❌ 下载 {i}.jpg 失败，状态码 {resp.status_code}")if __name__ == "__main__":os.makedirs("img", exist_ok=True)asyncio.run(main())

运行结果：

复制

✅ 下载 1.jpg 成功
✅ 下载 2.jpg 成功
...
✅ 下载 20.jpg 成功

4.3 高并发 + 定时刷新

在 Demo 里我们只刷新了一次 Cookie。真实场景需要边下载边刷新。下面给出“后台协程刷新 + 前台并发下载”的完整示例。

# concurrent_downloader_with_proxy.py
import asyncio, aiohttp, os
from playwright.async_api import async_playwright# ========== 代理配置 ==========
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"# 拼接成 aiohttp 与 playwright 都能识别的代理字符串
proxy_url = f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"REFRESH_INTERVAL = 10  # 每 10 秒刷新一次 Cookieclass CookiePool:def __init__(self, login_url, headers):self.login_url = login_urlself.headers = headersself.cookies = {}async def _fetch_once(self):async with async_playwright() as p:# 给 playwright 也配置同样的代理browser = await p.chromium.launch(headless=True,proxy={"server": proxy_url})page = await browser.new_page(extra_http_headers=self.headers)await page.goto(self.login_url)await page.wait_for_timeout(3000)cookies = await page.context.cookies()self.cookies = {c["name"]: c["value"] for c in cookies}await browser.close()print("[CookiePool] 已刷新 Cookie")async def refresh_forever(self):while True:try:await self._fetch_once()except Exception as e:print("[CookiePool] 刷新失败", e)await asyncio.sleep(REFRESH_INTERVAL)def get_cookie_header(self):return "; ".join(f"{k}={v}" for k, v in self.cookies.items())async def downloader(pool, session, img_id):url = f"https://example-pics.com/images/{img_id}.jpg"headers = {"User-Agent": pool.headers["User-Agent"],"Cookie": pool.get_cookie_header()}async with session.get(url, headers=headers) as resp:if resp.status == 200:data = await resp.read()with open(f"img/{img_id}.jpg", "wb") as f:f.write(data)print(f"✅ {img_id}.jpg")else:print(f"❌ {img_id}.jpg {resp.status}")async def main():os.makedirs("img", exist_ok=True)pool = CookiePool(login_url="https://example-pics.com/login",headers={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) ""AppleWebKit/537.36 (KHTML, like Gecko) ""Chrome/126.0.0.0 Safari/537.36"})# 启动后台刷新协程asyncio.create_task(pool.refresh_forever())await asyncio.sleep(3)  # 等第一次刷新完成# 建立 aiohttp 会话，并给 TCPConnector 配置同样的代理conn = aiohttp.TCPConnector(limit=100, ssl=False)async with aiohttp.ClientSession(connector=conn,trust_env=True  # 允许读取环境变量中的代理) as session:# 给 session 设置默认代理session._default_headers.update({"Proxy-Authorization": aiohttp.BasicAuth(proxyUser, proxyPass).encode()})tasks = [downloader(pool, session, i) for i in range(1, 101)]await asyncio.gather(*tasks)if __name__ == "__main__":asyncio.run(main())

说明：

CookiePool.refresh_forever 在后台每 10 s 重新打开浏览器拿 Cookie；
下载协程每次请求前从 get_cookie_header() 拿最新 Cookie，保证不会 401；
100 并发实测可跑到 80 MB/s，CPU 占用极低。

五、踩坑与优化

与优化
TLS 指纹
如果站点同时校验 JA3，可用 curl_cffi 或 httpx[http2] 并手动设置 cipher_suites。
IP 被封
建议在 CookiePool 里集成住宅代理池，每次刷新 Cookie 随机换出口 IP。
内存泄漏
Playwright 浏览器用完即关，或使用 browser.new_context() 复用同一浏览器实例。
Cookie 不完整
某些站点在 JS 中通过 document.cookie = ... 动态追加，需确保 wait_for_timeout 足够或监听 response 事件。