Python爬蟲入門之五Handler處理器和自定義Opener

時間  2019-11-18
標籤 python 爬蟲 入門 之五 handler 處理器 自定義 opener 欄目 Python 简体版
原文   原文鏈接

Handler處理器和自定義Opener

  • opener是 urllib.OpenerDirector 的實例，咱們以前一直都在使用的urlopen，它是一個特殊的opener（也就是模塊幫咱們構建好的）html

  • 可是基本的urlopen()方法不支持代理、cookie等其餘的HTTP/HTTPS高級功能。因此要支持這些功能：python

    1.使用相關的 Handler處理器 來建立特定功能的處理器對象web

    2.而後經過 urllib.request.build_opener()方法使用這些處理器對象，建立自定義opener對象；算法

    3.使用自定義的opener對象，調用open()方法發送請求瀏覽器

  • 若是程序裏全部的請求都使用自定義的opener，可使用urllib.request.install_opener() 將自定義的 opener 對象 定義爲 全局opener，表示若是以後凡是調用urlopen，都將使用這個opener（根據本身的需求來選擇）安全

簡單的自定義opener()

import urllib.request

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

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

# 調用build_opener()方法構建一個自定義的opener對象,參數是構建的處理器對象
opener = urllib.request.build_opener(http_handler)

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

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

# 獲取服務器相應內容並打印
print(response.read().decode('utf-8'))

這種方式發送請求獲得的結果，和使用urllib.request.urlopen()發送HTTP/HTTPS請求獲得的結果是同樣的。服務器

若是在 HTTPHandler()增長 debuglevel=1參數，還會將 Debug Log 打開，這樣程序在執行的時候，會把收包和發包的報頭在屏幕上自動打印出來，方便調試，有時能夠省去抓包的工做。cookie

#僅需修改的代碼部分

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

# 構建一個HTTPSHandler 處理器對象，支持處理HTTP請求，同時開啓Debug Log，debuglevel 值默認 0
http_handler = urllib.request.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，一般也是最好用的。app

不少網站會檢測某一段時間某個IP的訪問次數(經過流量統計，系統日誌等)，若是訪問次數多的不像正常人，它會禁止這個IP的訪問。dom

因此咱們能夠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，依然能夠換個IP繼續爬取。

urllib中經過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 urllib.request

# 代理開關,表示是否啓用代理
proxyswitch = False

# 構建一個Handler處理器對象,參數是一個字典類型,包括代理類型和代理服務器IP+PORT
httpproxy_handler = urllib.request.ProxyHandler({'http' : '113.200.56.13'})

# 構建了一個沒有代理的處理器對象
nullproxy_handler = urllib.request.ProxyHandler({})

# 根據代理開關是否打開，使用不一樣的代理模式
if proxyswitch:
    opener = urllib.request.build_opener(httpproxy_handler)
else:
    opener = urllib.request.build_opener(nullproxy_handler)

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

# 1. 若是這麼寫，只有使用opener.open()方法發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. 若是這麼寫，就是將opener應用到全局，以後全部的，不論是opener.open()仍是urlopen() 發送請求，都將使用自定義代理。
# urllib.request.install_opener(opener)
# response = urllib.request.urlopen(request)

print(response.read().decode('utf-8'))

免費的開放代理獲取基本沒有成本，咱們能夠在一些代理網站上收集這些免費代理，測試後若是能夠用，就把它收集起來用在爬蟲上面。

免費短時間代理網站舉例：

  • 西刺免費代理IP
  • 快代理免費代理
  • Proxy360代理
  • 全網代理IP

若是代理IP足夠多，就能夠像隨機獲取User-Agent同樣，隨機選擇一個代理去訪問網站。

import urllib.request
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 = urllib.request.ProxyHandler(proxy)

opener = urllib.request.build_opener(httpproxy_handler)

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

response = opener.open(request)

print(response.read().decode('utf-8'))
可是，這些免費開放代理通常會有不少人都在使用，並且代理有壽命短，速度慢，匿名度不高，HTTP/HTTPS支持不穩定等缺點（免費沒好貨）。

因此，專業爬蟲工程師或爬蟲公司會使用高品質的私密代理，這些代理一般須要找專門的代理供應商購買，再經過用戶名/密碼受權使用（捨不得孩子套不到狼）。

HTTPPasswordMgrWithDefaultRealm()

HTTPPasswordMgrWithDefaultRealm()類將建立一個密碼管理對象，用來保存 HTTP 請求相關的用戶名和密碼，主要應用兩個場景：

  1. 驗證代理受權的用戶名和密碼 (ProxyBasicAuthHandler())
  2. 驗證Web客戶端的的用戶名和密碼 (HTTPBasicAuthHandler())

ProxyBasicAuthHandler(代理受權驗證)

若是咱們使用以前的代碼來使用私密代理，會報 HTTP 407 錯誤，表示代理沒有經過身份驗證：

urllib.request.HTTPError: HTTP Error 407: Proxy Authentication Required

因此咱們須要改寫代碼，經過：

  • 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 urllib.request

# 私密代理受權的帳戶
user = "lalala"
# 私密代理受權的密碼
passwd = "123456"
# 私密代理 IP
proxyserver = "61.158.163.130:16816"

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

# 2. 添加帳戶信息，第一個參數realm是與遠程服務器相關的域信息，通常沒人管它都是寫None，後面三個參數分別是 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，參數是建立的密碼管理對象
#   注意，這裏再也不使用普通ProxyHandler類了
proxyauth_handler = urllib.request.ProxyBasicAuthHandler(passwdmgr)

# 4. 經過 build_opener()方法使用這些代理Handler對象，建立自定義opener對象，參數包括構建的 proxy_handler 和 proxyauth_handler
opener = urllib.request.build_opener(proxyauth_handler)

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

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

# 7. 打印響應內容
print(response.read().decode('utf-8'))

HTTPBasicAuthHandler處理器（Web客戶端受權驗證）

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

urllib.request.HTTPError: HTTP Error 401: Unauthorized
import urllib.request

# 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，用來保存須要處理的用戶名和密碼
passwdmgr = urllib.request.HTTPPasswordMgrWithDefaultRealm()

# 2. 添加帳戶信息，第一個參數realm是與遠程服務器相關的域信息，通常沒人管它都是寫None，後面三個參數分別是 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，參數是建立的密碼管理對象
httpauth_handler = urllib.request.HTTPBasicAuthHandler(passwdmgr)

# 4. 經過 build_opener()方法使用這些代理Handler對象，建立自定義opener對象，參數包括構建的 proxy_handler
opener = urllib.request.build_opener(httpauth_handler)

# 5. 能夠選擇經過install_opener()方法定義opener爲全局opener
urllib.request.install_opener(opener)

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

# 7. 定義opener爲全局opener後，可直接使用urlopen()發送請求
response = urllib.request.urlopen(request)

# 8. 打印響應內容
print(response.read().decode('utf-8'))

Cookie

Cookie 是指某些網站服務器爲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能夠保持登陸信息到用戶下次與服務器的會話。

Cookie原理

HTTP是無狀態的面向鏈接的協議, 爲了保持鏈接狀態, 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的過時時間（Expires/Max-Age）
Cookie做用路徑（Path）
Cookie所在域名（Domain），
使用Cookie進行安全鏈接（Secure）。

前兩個參數是Cookie應用的必要條件，另外，還包括Cookie大小（Size，不一樣瀏覽器對Cookie個數及大小限制是有差別的）。

Cookie由變量名和值組成，根據 Netscape公司的規定，Cookie格式以下:

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斷定註冊用戶是否已經登陸網站，用戶可能會獲得提示，是否在下一次進入此網站時保留用戶信息以便簡化登陸手續。

# 獲取一個有登陸信息的Cookie模擬登錄

import urllib.request

# 1. 構建一個已經登陸過的用戶的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",

    # 便於終端閱讀，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複登陸的用戶的Cookie，這個Cookie裏記錄了用戶名，密碼(一般通過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. 經過headers裏的報頭信息（主要是Cookie信息），構建Request對象
request = urllib.request.Request("http://www.renren.com/", headers = headers)

# 3. 直接訪問renren主頁，服務器會根據headers報頭信息（主要是Cookie信息），判斷這是一個已經登陸的用戶，並返回相應的頁面
response = urllib.request.urlopen(request)

# 4. 打印響應內容
print(response.read().decode('utf-8'))

可是這樣作太過複雜，咱們先須要在瀏覽器登陸帳戶，而且設置保存密碼，而且經過抓包才能獲取這個Cookie，那有麼有更簡單方便的方法呢？

http.cookiejar庫 和 HTTPCookieProcessor處理器

在Python處理Cookie，通常是經過http.cookiejar模塊和 urllib模塊的HTTPCookieProcessor處理器類一塊兒使用。

http.cookiejar模塊：主要做用是提供用於存儲cookie的對象

HTTPCookieProcessor處理器：主要做用是處理這些cookie對象，並構建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都存儲在內存中，對CookieJar實例進行垃圾回收後cookie也將丟失。

FileCookieJar (filename,delayload=None,policy=None)：從CookieJar派生而來，用來建立FileCookieJar實例，檢索cookie信息並將cookie存儲到文件中。filename是存儲cookie的文件名。delayload爲True時支持延遲訪問訪問文件，即只有在須要時纔讀取文件或在文件中存儲數據。

MozillaCookieJar (filename,delayload=None,policy=None)：從FileCookieJar派生而來，建立與Mozilla瀏覽器 cookies.txt兼容的FileCookieJar實例。

LWPCookieJar (filename,delayload=None,policy=None)：從FileCookieJar派生而來，建立與libwww-perl標準的 Set-Cookie3 文件格式兼容的FileCookieJar實例。

其實大多數狀況下，咱們只用CookieJar()，若是須要和本地文件交互，就用 MozillaCookjar() 或 LWPCookieJar()

咱們來作幾個案例：

1）獲取Cookie，並保存到CookieJar()對象中

import urllib.request
import http.cookiejar

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

# 使用HTTPCookieProcessor()來建立cookie處理器對象，參數爲CookieJar()對象
handler=urllib.request.HTTPCookieProcessor(cookiejar)

# 經過 build_opener() 來構建opener
opener = urllib.request.build_opener(handler)

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

## 能夠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 + ";"

## 捨去最後一位的分號
print(cookieStr[:-1])

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

運行結果以下：

BAIDUID=986696E9D712EFEA7C4473054A67D86E:FG=1;BIDUPSID=986696E9D712EFEA7C4473054A67D86E;H_PS_PSSID=1433_21112_18559_26925_22158;PSTM=1533194902;BDSVRTM=0;BD_HOME=0;delPer=0

2) 訪問網站得到cookie，並把得到的cookie保存在cookie文件中

import http.cookiejar
import urllib.request

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

# 聲明一個MozillaCookieJar(有save實現)對象實例來保存cookie，以後寫入文件
cookiejar = http.cookiejar.MozillaCookieJar(filename)

# 使用HTTPCookieProcessor()來建立cookie處理器對象，參數爲CookieJar()對象
handler = urllib.request.HTTPCookieProcessor(cookiejar)

# 經過 build_opener() 來構建opener
opener = urllib.request.build_opener(handler)

# 建立一個請求，原理同urllib2的urlopen
response = opener.open("http://www.baidu.com")

# 保存cookie到本地文件
cookiejar.save()

3) 從文件中獲取cookies，作爲請求的一部分去訪問

import http.request
import urllib.request

# 建立MozillaCookieJar(有load實現)實例對象
cookiejar = http.request.MozillaCookieJar()

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

# 使用HTTPCookieProcessor()來建立cookie處理器對象，參數爲CookieJar()對象
handler = urllib.request.HTTPCookieProcessor(cookiejar)

# 經過 build_opener() 來構建opener
opener = urllib.request.build_opener(handler)

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

利用cookielib和post登陸人人網

import urllib.request
import urllib.parse
import http.cookiejar

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

# 2. 使用HTTPCookieProcessor()來建立cookie處理器對象，參數爲CookieJar()對象
cookie_handler = urllib.request.HTTPCookieProcessor(cookie)

# 3. 經過 build_opener() 來構建opener
opener = urllib.request.build_opener(cookie_handler)

# 4. addheaders 接受一個列表，裏面每一個元素都是一個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. 須要登陸的帳戶和密碼
data = {"email":"hello@163.com", "password":"ahello"}  

# 6. 經過urlencode()轉碼
postdata = urllib.parse.urlencode(data)

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

# 8. 經過opener發送這個請求，並獲取登陸後的Cookie值，
opener.open(request)                                              

# 9. opener包含用戶登陸後的Cookie值，能夠直接訪問那些登陸後才能夠訪問的頁面
response = opener.open("http://www.renren.com/410043129/profile")  

# 10. 打印響應內容
print(response.read().decode('utf-8'))

模擬登陸要注意幾點：

1.登陸通常都會先有一個HTTP GET，用於拉取一些信息及得到Cookie，而後再HTTP POST登陸。
2.HTTP POST登陸的連接有多是動態的，從GET返回的信息中獲取。
3.password 有些是明文發送，有些是加密後發送。有些網站甚至採用動態加密的，同時包括了不少其餘數據的加密信息，只能經過查看JS源碼得到加密算法，再去破解加密，很是困難。
4.大多數網站的登陸總體流程是相似的，可能有些細節不同，因此不能保證其餘網站登陸成功。

這個測試案例中，爲了想讓你們快速理解知識點，咱們使用的人人網登陸接口是人人網改版前的隱藏接口，登陸比較方便。

固然，咱們也能夠直接發送帳號密碼到登陸界面模擬登陸，可是當網頁採用JavaScript動態技術之後，想封鎖基於 HttpClient 的模擬登陸就太容易了，甚至能夠根據你的鼠標活動的特徵準確地判斷出是否是真人在操做。

因此，想作通用的模擬登陸還得選別的技術，好比用內置瀏覽器引擎的爬蟲(關鍵詞：Selenium ，PhantomJS)，這個咱們將在之後會學習到。

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程