Handler處理器和自定義Opener

  • opener是 urllib2.OpenerDirector 的實例，我們之前一直都在使用的urlopen，它是一個特殊的opener（也就是模塊幫我們構建好的）。

  • 但是基本的urlopen()方法不支持代理、cookie等其他的HTTP/HTTPS高級功能。所以要支持這些功能：

  1. 使用相關的 Handler處理器 來創(chuàng)建特定功能的處理器對象；
  2. 然后通過 urllib2.build_opener()方法使用這些處理器對象，創(chuàng)建自定義opener對象；
  3. 使用自定義的opener對象，調用open()方法發(fā)送請求。
  • 如果程序里所有的請求都使用自定義的opener，可以使用urllib2.install_opener() 將自定義的 opener 對象 定義為 全局opener，表示如果之后凡是調用urlopen，都將使用這個opener（根據(jù)自己的需求來選擇）

簡單的自定義opener()

import urllib2

# 構建一個HTTPHandler 處理器對象，支持處理HTTP請求
http_handler = urllib2.HTTPHandler()

# 構建一個HTTPHandler 處理器對象，支持處理HTTPS請求
# http_handler = urllib2.HTTPSHandler()

# 調用urllib2.build_opener()方法，創(chuàng)建支持處理HTTP請求的opener對象
opener = urllib2.build_opener(http_handler)

# 構建 Request請求
request = urllib2.Request("http://www.baidu.com/")

# 調用自定義opener對象的open()方法，發(fā)送request請求
response = opener.open(request)

# 獲取服務器響應內(nèi)容
print response.read()

這種方式發(fā)送請求得到的結果，和使用urllib2.urlopen()發(fā)送HTTP/HTTPS請求得到的結果是一樣的。

如果在 HTTPHandler()增加 debuglevel=1參數(shù)，還會將 Debug Log 打開，這樣程序在執(zhí)行的時候，會把收包和發(fā)包的報頭在屏幕上自動打印出來，方便調試，有時可以省去抓包的工作.

# 僅需要修改的代碼部分：

# 構建一個HTTPHandler 處理器對象，支持處理HTTP請求，同時開啟Debug Log，debuglevel 值默認 0
http_handler = urllib2.HTTPHandler(debuglevel=1)

# 構建一個HTTPHSandler 處理器對象，支持處理HTTPS請求，同時開啟Debug Log，debuglevel 值默認 0
https_handler = urllib2.HTTPSHandler(debuglevel=1)

ProxyHandler處理器（代理設置）

使用代理IP，這是爬蟲/反爬蟲的第二大招，通常也是最好用的。

很多網(wǎng)站會檢測某一段時間某個IP的訪問次數(shù)(通過流量統(tǒng)計，系統(tǒng)日志等)，如果訪問次數(shù)多的不像正常人，它會禁止這個IP的訪問。

所以我們可以設置一些代理服務器，每隔一段時間換一個代理，就算IP被禁止，依然可以換個IP繼續(xù)爬取。

urllib2中通過ProxyHandler來設置使用代理服務器，下面代碼說明如何使用自定義opener來使用代理：

import urllib2

# 構建了兩個代理Handler，一個有代理IP，一個沒有代理IP
httpproxy_handler = urllib2.ProxyHandler({"http" : "124.88.67.81:80"})
nullproxy_handler = urllib2.ProxyHandler({})

proxySwitch = True #定義一個代理開關

# 通過 urllib2.build_opener()方法使用這些代理Handler對象，創(chuàng)建自定義opener對象
# 根據(jù)代理開關是否打開，使用不同的代理模式
if proxySwitch:
    opener = urllib2.build_opener(httpproxy_handler)
else:
    opener = urllib2.build_opener(nullproxy_handler)

request = urllib2.Request("http://www.baidu.com/")

# 1. 如果這么寫，只有使用opener.open()方法發(fā)送請求才使用自定義的代理，而urlopen()則不使用自定義代理。
response = opener.open(request)

# 2. 如果這么寫，就是將opener應用到全局，之后所有的，不管是opener.open()還是urlopen() 發(fā)送請求，都將使用自定義代理。
# urllib2.install_opener(opener)
# response = urlopen(request)

print response.read()

免費的開放代理獲取基本沒有成本，我們可以在一些代理網(wǎng)站上收集這些免費代理，測試后如果可以用，就把它收集起來用在爬蟲上面。
免費短期代理網(wǎng)站舉例：
西刺免費代理IP
快代理免費代理
Proxy360代理
全網(wǎng)代理IP

如果代理IP足夠多，就可以像隨機獲取User-Agent一樣，隨機選擇一個代理去訪問網(wǎng)站。

import urllib2
import random

proxy_list = [
    {"http" : "124.88.67.81:80"},
    {"http" : "124.88.67.81:80"},
    {"http" : "124.88.67.81:80"},
    {"http" : "124.88.67.81:80"},
    {"http" : "124.88.67.81:80"}
]

# 隨機選擇一個代理
proxy = random.choice(proxy_list)
# 使用選擇的代理構建代理處理器對象
httpproxy_handler = urllib2.ProxyHandler(proxy)

opener = urllib2.build_opener(httpproxy_handler)

request = urllib2.Request("http://www.baidu.com/")
response = opener.open(request)
print response.read()

但是，這些免費開放代理一般會有很多人都在使用，而且代理有壽命短，速度慢，匿名度不高，HTTP/HTTPS支持不穩(wěn)定等缺點（免費沒好貨）。
所以，專業(yè)爬蟲工程師或爬蟲公司會使用高品質的私密代理，這些代理通常需要找專門的代理供應商購買，再通過用戶名/密碼授權使用（舍不得孩子套不到狼）。

HTTPPasswordMgrWithDefaultRealm()

HTTPPasswordMgrWithDefaultRealm() 類將創(chuàng)建一個密碼管理對象，用來保存 HTTP 請求相關的用戶名和密碼，主要應用兩個場景：

  • 驗證代理授權的用戶名和密碼 (ProxyBasicAuthHandler())
  • 驗證Web客戶端的的用戶名和密碼 (HTTPBasicAuthHandler())

ProxyBasicAuthHandler(代理授權驗證)

如果我們使用之前的代碼來使用私密代理，會報 HTTP 407 錯誤，表示代理沒有通過身份驗證：

urllib2.HTTPError: HTTP Error 407: Proxy Authentication Required

所以我們需要改寫代碼，通過：

  • HTTPPasswordMgrWithDefaultRealm()：來保存私密代理的用戶密碼
  • ProxyBasicAuthHandler()：來處理代理的身份驗證。
import urllib2
import urllib

# 私密代理授權的賬戶
user = "mr_mao_hacker"
# 私密代理授權的密碼
passwd = "sffqry9r"
# 私密代理 IP
proxyserver = "61.158.163.130:16816"

# 1. 構建一個密碼管理對象，用來保存需要處理的用戶名和密碼
passwdmgr = urllib2.HTTPPasswordMgrWithDefaultRealm()

# 2. 添加賬戶信息，第一個參數(shù)realm是與遠程服務器相關的域信息，一般沒人管它都是寫None，后面三個參數(shù)分別是 代理服務器、用戶名、密碼
passwdmgr.add_password(None, proxyserver, user, passwd)

# 3. 構建一個代理基礎用戶名/密碼驗證的ProxyBasicAuthHandler處理器對象，參數(shù)是創(chuàng)建的密碼管理對象
#   注意，這里不再使用普通ProxyHandler類了

proxyauth_handler = urllib2.ProxyBasicAuthHandler(passwdmgr)

# 4. 通過 build_opener()方法使用這些代理Handler對象，創(chuàng)建自定義opener對象，參數(shù)包括構建的 proxy_handler 和 proxyauth_handler
opener = urllib2.build_opener(proxyauth_handler)

# 5. 構造Request 請求
request = urllib2.Request("http://www.baidu.com/")

# 6. 使用自定義opener發(fā)送請求
response = opener.open(request)

# 7. 打印響應內(nèi)容
print response.read()

HTTPBasicAuthHandler處理器（Web客戶端授權驗證）

有些Web服務器（包括HTTP/FTP等）訪問時，需要進行用戶身份驗證，爬蟲直接訪問會報HTTP 401 錯誤，表示訪問身份未經(jīng)授權：

urllib2.HTTPError: HTTP Error 401: Unauthorized

如果我們有客戶端的用戶名和密碼，我們可以通過下面的方法去訪問爬?。?/p> 

import urllib
import urllib2

# 用戶名
user = "test"
# 密碼
passwd = "123456"
# Web服務器 IP
webserver = "http://192.168.199.107"

# 1. 構建一個密碼管理對象，用來保存需要處理的用戶名和密碼
passwdmgr = urllib2.HTTPPasswordMgrWithDefaultRealm()

# 2. 添加賬戶信息，第一個參數(shù)realm是與遠程服務器相關的域信息，一般沒人管它都是寫None，后面三個參數(shù)分別是 Web服務器、用戶名、密碼
passwdmgr.add_password(None, webserver, user, passwd)

# 3. 構建一個HTTP基礎用戶名/密碼驗證的HTTPBasicAuthHandler處理器對象，參數(shù)是創(chuàng)建的密碼管理對象
httpauth_handler = urllib2.HTTPBasicAuthHandler(passwdmgr)

# 4. 通過 build_opener()方法使用這些代理Handler對象，創(chuàng)建自定義opener對象，參數(shù)包括構建的 proxy_handler
opener = urllib2.build_opener(httpauth_handler)

# 5. 可以選擇通過install_opener()方法定義opener為全局opener
urllib2.install_opener(opener)

# 6. 構建 Request對象
request = urllib2.Request("http://192.168.199.107")

# 7. 定義opener為全局opener后，可直接使用urlopen()發(fā)送請求
response = urllib2.urlopen(request)

# 8. 打印響應內(nèi)容
print response.read()

Cookie

Cookie 是指某些網(wǎng)站服務器為了辨別用戶身份和進行Session跟蹤，而儲存在用戶瀏覽器上的文本文件，Cookie可以保持登錄信息到用戶下次與服務器的會話。

Cookie原理

HTTP是無狀態(tài)的面向連接的協(xié)議, 為了保持連接狀態(tài), 引入了Cookie機制 Cookie是http消息頭中的一種屬性，包括：

Cookie名字（Name）
Cookie的值（Value）
Cookie的過期時間（Expires/Max-Age）
Cookie作用路徑（Path）
Cookie所在域名（Domain），
使用Cookie進行安全連接（Secure）。

前兩個參數(shù)是Cookie應用的必要條件，另外，還包括Cookie大?。⊿ize，不同瀏覽器對Cookie個數(shù)及大小限制是有差異的）。

Cookie由變量名和值組成，根據(jù) Netscape公司的規(guī)定，Cookie格式如下：

Set－Cookie: NAME=VALUE；Expires=DATE；Path=PATH；Domain=DOMAIN_NAME；SECURE

Cookie應用

Cookies在爬蟲方面最典型的應用是判定注冊用戶是否已經(jīng)登錄網(wǎng)站，用戶可能會得到提示，是否在下一次進入此網(wǎng)站時保留用戶信息以便簡化登錄手續(xù)。

# 獲取一個有登錄信息的Cookie模擬登陸

import urllib2

# 1. 構建一個已經(jīng)登錄過的用戶的headers信息
headers = {
    "Host":"www.renren.com",
    "Connection":"keep-alive",
    "Upgrade-Insecure-Requests":"1",
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36",
    "Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
    "Accept-Language":"zh-CN,zh;q=0.8,en;q=0.6",

    # 便于終端閱讀，表示不支持壓縮文件
    # Accept-Encoding: gzip, deflate, sdch,

    # 重點：這個Cookie是保存了密碼無需重復登錄的用戶的Cookie，這個Cookie里記錄了用戶名，密碼(通常經(jīng)過RAS加密)
    "Cookie": "anonymid=ixrna3fysufnwv; depovince=GW; _r01_=1; JSESSIONID=abcmaDhEdqIlM7riy5iMv; jebe_key=f6fb270b-d06d-42e6-8b53-e67c3156aa7e%7Cc13c37f53bca9e1e7132d4b58ce00fa3%7C1484060607478%7C1%7C1484060607173; jebecookies=26fb58d1-cbe7-4fc3-a4ad-592233d1b42e|||||; ick_login=1f2b895d-34c7-4a1d-afb7-d84666fad409; _de=BF09EE3A28DED52E6B65F6A4705D973F1383380866D39FF5; p=99e54330ba9f910b02e6b08058f780479; ap=327550029; first_login_flag=1; ln_uact=mr_mao_hacker@163.com; ln_hurl=http://hdn.xnimg.cn/photos/hdn521/20140529/1055/h_main_9A3Z_e0c300019f6a195a.jpg; t=214ca9a28f70ca6aa0801404dda4f6789; societyguester=214ca9a28f70ca6aa0801404dda4f6789; id=327550029; xnsid=745033c5; ver=7.0; loginfrom=syshome"
}

# 2. 通過headers里的報頭信息（主要是Cookie信息），構建Request對象
urllib2.Request("http://www.renren.com/", headers = headers)

# 3. 直接訪問renren主頁，服務器會根據(jù)headers報頭信息（主要是Cookie信息），判斷這是一個已經(jīng)登錄的用戶，并返回相應的頁面
response = urllib2.urlopen(request)

# 4. 打印響應內(nèi)容
print response.read()

但是這樣做太過復雜，我們先需要在瀏覽器登錄賬戶，并且設置保存密碼，并且通過抓包才能獲取這個Cookie，那有么有更簡單方便的方法呢？

cookielib庫 和 HTTPCookieProcessor處理器

在Python處理Cookie，一般是通過cookielib模塊和 urllib2模塊的HTTPCookieProcessor處理器類一起使用。

cookielib模塊：主要作用是提供用于存儲cookie的對象
HTTPCookieProcessor處理器：主要作用是處理這些cookie對象，并構建handler對象。

cookielib 庫

該模塊主要的對象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。

  • CookieJar：管理HTTP cookie值、存儲HTTP請求生成的cookie、向傳出的HTTP請求添加cookie的對象。整個cookie都存儲在內(nèi)存中，對CookieJar實例進行垃圾回收后cookie也將丟失。
  • FileCookieJar (filename,delayload=None,policy=None)：從CookieJar派生而來，用來創(chuàng)建FileCookieJar實例，檢索cookie信息并將cookie存儲到文件中。filename是存儲cookie的文件名。delayload為True時支持延遲訪問訪問文件，即只有在需要時才讀取文件或在文件中存儲數(shù)據(jù)。
  • MozillaCookieJar (filename,delayload=None,policy=None)：從FileCookieJar派生而來，創(chuàng)建與Mozilla瀏覽器 cookies.txt兼容的FileCookieJar實例。
  • LWPCookieJar (filename,delayload=None,policy=None)：從FileCookieJar派生而來，創(chuàng)建與libwww-perl標準的 Set-Cookie3 文件格式兼容的FileCookieJar實例。

其實大多數(shù)情況下，我們只用CookieJar()，如果需要和本地文件交互，就用 MozillaCookjar() 或 LWPCookieJar()

我們來做幾個案例：

** 1）獲取Cookie，并保存到CookieJar()對象中**

# urllib2_cookielibtest1.py

import urllib2
import cookielib

# 構建一個CookieJar對象實例來保存cookie
cookiejar = cookielib.CookieJar()

# 使用HTTPCookieProcessor()來創(chuàng)建cookie處理器對象，參數(shù)為CookieJar()對象
handler=urllib2.HTTPCookieProcessor(cookiejar)

# 通過 build_opener() 來構建opener
opener = urllib2.build_opener(handler)

# 4. 以get方法訪問頁面，訪問之后會自動保存cookie到cookiejar中
opener.open("http://www.baidu.com")

## 可以按標準格式將保存的Cookie打印出來
cookieStr = ""
for item in cookiejar:
    cookieStr = cookieStr + item.name + "=" + item.value + ";"

## 舍去最后一位的分號
print cookieStr[:-1]

我們使用以上方法將Cookie保存到cookiejar對象中，然后打印出了cookie中的值，也就是訪問百度首頁的Cookie值。

運行結果如下：

BAIDUID=4327A58E63A92B73FF7A297FB3B2B4D0:FG=1;BIDUPSID=4327A58E63A92B73FF7A297FB3B2B4D0;H_PS_PSSID=1429_21115_17001_21454_21409_21554_21398;PSTM=1480815736;BDSVRTM=0;BD_HOME=0

訪問網(wǎng)站獲得cookie，并把獲得的cookie保存在cookie文件中

import cookielib
import urllib2

# 保存cookie的本地磁盤文件名
filename = 'cookie.txt'

# 聲明一個MozillaCookieJar(有save實現(xiàn))對象實例來保存cookie，之后寫入文件
cookiejar = cookielib.MozillaCookieJar(filename)

# 使用HTTPCookieProcessor()來創(chuàng)建cookie處理器對象，參數(shù)為CookieJar()對象
handler = urllib2.HTTPCookieProcessor(cookiejar)

# 通過 build_opener() 來構建opener
opener = urllib2.build_opener(handler)

# 創(chuàng)建一個請求，原理同urllib2的urlopen
response = opener.open("http://www.baidu.com")

# 保存cookie到本地文件
cookiejar.save()

從文件中獲取cookies，做為請求的一部分去訪問

import cookielib
import urllib2

# 創(chuàng)建MozillaCookieJar(有l(wèi)oad實現(xiàn))實例對象
cookiejar = cookielib.MozillaCookieJar()

# 從文件中讀取cookie內(nèi)容到變量
cookie.load('cookie.txt')

# 使用HTTPCookieProcessor()來創(chuàng)建cookie處理器對象，參數(shù)為CookieJar()對象
handler = urllib2.HTTPCookieProcessor(cookiejar)

# 通過 build_opener() 來構建opener
opener = urllib2.build_opener(handler)

response = opener.open("http://www.baidu.com")

利用cookielib和post登錄人人網(wǎng)

import urllib
import urllib2
import cookielib

# 1. 構建一個CookieJar對象實例來保存cookie
cookie = cookielib.CookieJar()

# 2. 使用HTTPCookieProcessor()來創(chuàng)建cookie處理器對象，參數(shù)為CookieJar()對象
cookie_handler = urllib2.HTTPCookieProcessor(cookie)

# 3. 通過 build_opener() 來構建opener
opener = urllib2.build_opener(cookie_handler)

# 4. addheaders 接受一個列表，里面每個元素都是一個headers信息的元祖, opener將附帶headers信息
opener.addheaders = [("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36")]

# 5. 需要登錄的賬戶和密碼
data = {"email":"mr_mao_hacker@163.com", "password":"alaxxxxxime"}  

# 6. 通過urlencode()轉碼
postdata = urllib.urlencode(data)

# 7. 構建Request請求對象，包含需要發(fā)送的用戶名和密碼
request = urllib2.Request("http://www.renren.com/PLogin.do", data = postdata)

# 8. 通過opener發(fā)送這個請求，并獲取登錄后的Cookie值，
opener.open(request)                                              

# 9. opener包含用戶登錄后的Cookie值，可以直接訪問那些登錄后才可以訪問的頁面
response = opener.open("http://www.renren.com/410043129/profile")  

# 10. 打印響應內(nèi)容
print response.read()

模擬登錄要注意幾點：

  • 登錄一般都會先有一個HTTP GET，用于拉取一些信息及獲得Cookie，然后再HTTP POST登錄。
  • HTTP POST登錄的鏈接有可能是動態(tài)的，從GET返回的信息中獲取。
  • password 有些是明文發(fā)送，有些是加密后發(fā)送。有些網(wǎng)站甚至采用動態(tài)加密的，同時包括了很多其他數(shù)據(jù)的加密信息，只能通過查看JS源碼獲得加密算法，再去破解加密，非常困難。
  • 大多數(shù)網(wǎng)站的登錄整體流程是類似的，可能有些細節(jié)不一樣，所以不能保證其他網(wǎng)站登錄成功。

這個測試案例中，為了想讓大家快速理解知識點，我們使用的人人網(wǎng)登錄接口是人人網(wǎng)改版前的隱藏接口(噓....)，登錄比較方便。

當然，我們也可以直接發(fā)送賬號密碼到登錄界面模擬登錄，但是當網(wǎng)頁采用JavaScript動態(tài)技術以后，想封鎖基于 HttpClient 的模擬登錄就太容易了，甚至可以根據(jù)你的鼠標活動的特征準確地判斷出是不是真人在操作。

所以，想做通用的模擬登錄還得選別的技術，比如用內(nèi)置瀏覽器引擎的爬蟲(關鍵詞：Selenium ，PhantomJS).

最后編輯于 ：
?著作權歸作者所有,轉載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務。

相關閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容