为什么Python会说这个Netscape cookie文件无效？

Question

我正在编写一个Google Scholar解析器，并且基于this answer，我在抓取HTML语言之前设置cookie。这是我的cookies.txt文件的内容：

# Netscape HTTP Cookie File
# http://curlm.haxx.se/rfc/cookie_spec.html
# This file was generated by libcurl! Edit at your own risk.

.scholar.google.com     TRUE    /       FALSE   2147483647      GSP     ID=353e8f974d766dcd:CF=2
.google.com     TRUE    /       FALSE   1317124758      PREF    ID=353e8f974d766dcd:TM=1254052758:LM=1254052758:S=_biVh02e4scrJT1H
.scholar.google.co.uk   TRUE    /       FALSE   2147483647      GSP     ID=f3f18b3b5a7c2647:CF=2
.google.co.uk   TRUE    /       FALSE   1317125123      PREF    ID=f3f18b3b5a7c2647:TM=1254053123:LM=1254053123:S=UqjRcTObh7_sARkN

这是我用来抓取HTML的代码：

import http.cookiejar
import urllib.request, urllib.parse, urllib.error

def get_page(url, headers="", params=""):
    filename = "cookies.txt"
    request = urllib.request.Request(url, None, headers, params)
    cookies = http.cookiejar.MozillaCookieJar(filename, None, None)
    cookies.load()
    cookie_handler = urllib.request.HTTPCookieProcessor(cookies)
    redirect_handler = urllib.request.HTTPRedirectHandler()
    opener = urllib.request.build_opener(redirect_handler,cookie_handler)
    response = opener.open(request)
    return response

start = 0
search = "Ricardo Altamirano"
results_per_fetch = 20
host = "http://scholar.google.com"
base_url = "/scholar"
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; U; ru; rv:5.0.1.6) Gecko/20110501 Firefox/5.0.1 Firefox/5.0.1'}
params = urllib.parse.urlencode({'start' : start,
                                 'q': '"' + search + '"',
                                 'btnG' : "",
                                 'hl' : 'en',
                                 'num': results_per_fetch,
                                 'as_sdt' : '1,14'})

url = base_url + "?" + params
resp = get_page(host + url, headers, params)

完整的回溯是：

Traceback (most recent call last):
  File "C:/Users/ricardo/Desktop/Google-Scholar/BibTex/test.py", line 29, in <module>
    resp = get_page(host + url, headers, params)
  File "C:/Users/ricardo/Desktop/Google-Scholar/BibTex/test.py", line 8, in get_page
    cookies.load()
  File "C:\Python32\lib\http\cookiejar.py", line 1767, in load
    self._really_load(f, filename, ignore_discard, ignore_expires)
  File "C:\Python32\lib\http\cookiejar.py", line 1997, in _really_load
    filename)
http.cookiejar.LoadError: 'cookies.txt' does not look like a Netscape format cookies file

我到处寻找有关Netscape cookie文件格式的文档，但我找不到任何显示问题的东西。是否有需要包含的换行符？我将行尾改为Unix样式，以防万一，但这并没有解决问题。我能找到的最接近的规范是this，它并没有向我指出我缺少的任何东西。最后四行中的每一行的字段都用制表符分隔，而不是空格，其他所有内容在我看来都是正确的。

Answer 1

我在您的示例代码或cookies.txt文件副本中看不到任何明显的错误。

我已经检查了MozillaCookieJar._really_load method的源代码，它抛出了您所看到的异常。

这个方法做的第一件事是读取您指定的文件的第一行(使用f.readline())，并使用re.search查找正则表达式模式"#( Netscape)? HTTP Cookie File"。这就是你的文件失败的原因。

看起来您的cookies.txt肯定会匹配该格式，所以您看到的错误是相当令人惊讶的。

注意，你的文件是用一个简单的open(filename) call打开的，所以它将以文本模式打开，并支持通用的行尾，这意味着你在Windows上运行它并不重要。无论文件本身使用了什么换行符约定，代码都将看到以\n换行符结尾的字符串。

在这种情况下，我要做的是三次检查文件的第一行是否真的正确。它需要包含"# HTTP Cookie File“或"# Netscape HTTP Cookie File”(只有空格，没有制表符，单词之间，大写匹配)。使用python提示符测试以下代码：

>>> f = open('cookies.txt')
>>> line = f.readline()
>>> line
'# Netscape HTTP Cookie File\n'
>>> import re
>>> re.search("#( Netscape)? HTTP Cookie File", line)
<_sre.SRE_Match object at 0x10fecfdc8>

当我在提示符下输入line时，Python回显了线条表示，包括Python换行符。任何意外，如制表符或unicode零宽度空格，都将在那里显示为转义代码。我还验证了cookiejar代码使用的正则表达式是否匹配。

您还可以使用pdb python debugger来验证http.cookiejar模块的实际功能：

>>> import pdb
>>> import http.cookiejar
>>> jar = http.cookiejar.MozillaCookieJar('cookies.txt')
>>> pdb.run('jar.load()')
> <string>(1)<module>()
(Pdb) s
--Call--
> /opt/local/Library/Frameworks/Python.framework/Versions/3.2/lib/python3.2/http/cookiejar.py(1759)load()
-> def load(self, filename=None, ignore_discard=False, ignore_expires=False):
(Pdb) s
> /opt/local/Library/Frameworks/Python.framework/Versions/3.2/lib/python3.2/http/cookiejar.py(1761)load()
-> if filename is None:
(Pdb) s
> /opt/local/Library/Frameworks/Python.framework/Versions/3.2/lib/python3.2/http/cookiejar.py(1762)load()
-> if self.filename is not None: filename = self.filename
(Pdb) s
> /opt/local/Library/Frameworks/Python.framework/Versions/3.2/lib/python3.2/http/cookiejar.py(1765)load()
-> f = open(filename)
(Pdb) n
> /opt/local/Library/Frameworks/Python.framework/Versions/3.2/lib/python3.2/http/cookiejar.py(1766)load()
-> try:
(Pdb) 
> /opt/local/Library/Frameworks/Python.framework/Versions/3.2/lib/python3.2/http/cookiejar.py(1767)load()
-> self._really_load(f, filename, ignore_discard, ignore_expires)
(Pdb) s
--Call--
> /opt/local/Library/Frameworks/Python.framework/Versions/3.2/lib/python3.2/http/cookiejar.py(1989)_really_load()
-> def _really_load(self, f, filename, ignore_discard, ignore_expires):
(Pdb) s
> /opt/local/Library/Frameworks/Python.framework/Versions/3.2/lib/python3.2/http/cookiejar.py(1990)_really_load()
-> now = time.time()
(Pdb) n
> /opt/local/Library/Frameworks/Python.framework/Versions/3.2/lib/python3.2/http/cookiejar.py(1992)_really_load()
-> magic = f.readline()
(Pdb) 
> /opt/local/Library/Frameworks/Python.framework/Versions/3.2/lib/python3.2/http/cookiejar.py(1993)_really_load()
-> if not self.magic_re.search(magic):
(Pdb) 
> /opt/local/Library/Frameworks/Python.framework/Versions/3.2/lib/python3.2/http/cookiejar.py(1999)_really_load()
-> try:

在上面的示例pdb会话中，我结合使用了step和next命令来验证正则表达式测试(self.magic_re.search(magic))是否确实通过了。

Answer 2

在我的场景中，需要对(/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/)下的MozillaCookieJar进行两处修改

1. 魔术报头

您可以删除检查逻辑或添加魔术标头，我更喜欢Netscape HTTP Cookie File

1. 新的文件格式似乎允许您省略过期

vals = line.split("\t") if len( vals ) == 7: domain，domain_specified，path，secure，expires，name，value = value len( vals ) == 6: domain，domain_specified，path，secure，name，value= expires = None

最后，我真的希望实现可以更新到新的变化。

Answer 3

请在您的开发控制台中执行此操作

copy('# Netscape HTTP Cookie File\n' + document.cookie.split(/; /g).map(e => e.replace('=', '\t')).map(e => window.location.hostname.replace('www.', '.') + '\tTRUE\t/\tFALSE\t-1\t' + e).join('\n'))

Netscape格式的cookies将出现在系统的剪贴板中:)