Python爬虫入门之五Handler处理器和自定义Opener

时间  2019-11-18
标签 python 爬虫 入门 之五 handler 处理器 自定义 opener 栏目 Python 繁體版
原文   原文链接

Handler处理器和自定义Opener

  • opener是 urllib.OpenerDirector 的实例，咱们以前一直都在使用的urlopen，它是一个特殊的opener（也就是模块帮咱们构建好的）html

  • 可是基本的urlopen()方法不支持代理、cookie等其余的HTTP/HTTPS高级功能。因此要支持这些功能：python

    1.使用相关的 Handler处理器 来建立特定功能的处理器对象web

    2.而后经过 urllib.request.build_opener()方法使用这些处理器对象，建立自定义opener对象；算法

    3.使用自定义的opener对象，调用open()方法发送请求浏览器

  • 若是程序里全部的请求都使用自定义的opener，可使用urllib.request.install_opener() 将自定义的 opener 对象 定义为 全局opener，表示若是以后凡是调用urlopen，都将使用这个opener（根据本身的需求来选择）安全

简单的自定义opener()

import urllib.request

# 构建一个HTTPHandler处理器对象,支持处理HTTP请求
http_handler = urllib.request.HTTPHandler()

# 构建一个HTTPHandler处理器对象,支持处理HTTP请求
# http_handler = urllib.request.HTTPSHandler()

# 调用build_opener()方法构建一个自定义的opener对象,参数是构建的处理器对象
opener = urllib.request.build_opener(http_handler)

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

# 调用自定义opener对象的open()方法,发送request请求
response = opener.open(request)

# 获取服务器相应内容并打印
print(response.read().decode('utf-8'))

这种方式发送请求获得的结果，和使用urllib.request.urlopen()发送HTTP/HTTPS请求获得的结果是同样的。服务器

若是在 HTTPHandler()增长 debuglevel=1参数，还会将 Debug Log 打开，这样程序在执行的时候，会把收包和发包的报头在屏幕上自动打印出来，方便调试，有时能够省去抓包的工做。cookie

#仅需修改的代码部分

# 构建一个HTTPHandler 处理器对象，支持处理HTTP请求，同时开启Debug Log，debuglevel 值默认 0
http_handler = urllib.request.HTTPHandler(debuglevel=1)

# 构建一个HTTPSHandler 处理器对象，支持处理HTTP请求，同时开启Debug Log，debuglevel 值默认 0
http_handler = urllib.request.HTTPSHandler(debuglevel=1)

ProxyHandler处理器（代理设置）

使用代理IP，这是爬虫/反爬虫的第二大招，一般也是最好用的。app

不少网站会检测某一段时间某个IP的访问次数(经过流量统计，系统日志等)，若是访问次数多的不像正常人，它会禁止这个IP的访问。dom

因此咱们能够设置一些代理服务器，每隔一段时间换一个代理，就算IP被禁止，依然能够换个IP继续爬取。

urllib中经过ProxyHandler来设置使用代理服务器，下面代码说明如何使用自定义opener来使用代理：

import urllib.request

# 代理开关,表示是否启用代理
proxyswitch = False

# 构建一个Handler处理器对象,参数是一个字典类型,包括代理类型和代理服务器IP+PORT
httpproxy_handler = urllib.request.ProxyHandler({'http' : '113.200.56.13'})

# 构建了一个没有代理的处理器对象
nullproxy_handler = urllib.request.ProxyHandler({})

# 根据代理开关是否打开，使用不一样的代理模式
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. 若是这么写，只有使用opener.open()方法发送请求才使用自定义的代理，而urlopen()则不使用自定义代理。
response = opener.open(request)

#  2. 若是这么写，就是将opener应用到全局，以后全部的，不论是opener.open()仍是urlopen() 发送请求，都将使用自定义代理。
# urllib.request.install_opener(opener)
# response = urllib.request.urlopen(request)

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

免费的开放代理获取基本没有成本，咱们能够在一些代理网站上收集这些免费代理，测试后若是能够用，就把它收集起来用在爬虫上面。

免费短时间代理网站举例：

  • 西刺免费代理IP
  • 快代理免费代理
  • Proxy360代理
  • 全网代理IP

若是代理IP足够多，就能够像随机获取User-Agent同样，随机选择一个代理去访问网站。

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"}
]

# 随机选择一个代理
proxy = random.choice(proxy_list)
# 使用选择的代理构建代理处理器对象
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，这些免费开放代理通常会有不少人都在使用，并且代理有寿命短，速度慢，匿名度不高，HTTP/HTTPS支持不稳定等缺点（免费没好货）。

因此，专业爬虫工程师或爬虫公司会使用高品质的私密代理，这些代理一般须要找专门的代理供应商购买，再经过用户名/密码受权使用（舍不得孩子套不到狼）。

HTTPPasswordMgrWithDefaultRealm()

HTTPPasswordMgrWithDefaultRealm()类将建立一个密码管理对象，用来保存 HTTP 请求相关的用户名和密码，主要应用两个场景：

  1. 验证代理受权的用户名和密码 (ProxyBasicAuthHandler())
  2. 验证Web客户端的的用户名和密码 (HTTPBasicAuthHandler())

ProxyBasicAuthHandler(代理受权验证)

若是咱们使用以前的代码来使用私密代理，会报 HTTP 407 错误，表示代理没有经过身份验证：

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

因此咱们须要改写代码，经过：

  • HTTPPasswordMgrWithDefaultRealm()：来保存私密代理的用户密码
  • ProxyBasicAuthHandler()：来处理代理的身份验证。
import urllib.request

# 私密代理受权的帐户
user = "lalala"
# 私密代理受权的密码
passwd = "123456"
# 私密代理 IP
proxyserver = "61.158.163.130:16816"

# 1. 构建一个密码管理对象，用来保存须要处理的用户名和密码
passwdmgr = urllib.request.HTTPPasswordMgrWithDefaultRealm()

# 2. 添加帐户信息，第一个参数realm是与远程服务器相关的域信息，通常没人管它都是写None，后面三个参数分别是 代理服务器、用户名、密码
passwdmgr.add_password(None, proxyserver, user, passwd)

# 3. 构建一个代理基础用户名/密码验证的ProxyBasicAuthHandler处理器对象，参数是建立的密码管理对象
#   注意，这里再也不使用普通ProxyHandler类了
proxyauth_handler = urllib.request.ProxyBasicAuthHandler(passwdmgr)

# 4. 经过 build_opener()方法使用这些代理Handler对象，建立自定义opener对象，参数包括构建的 proxy_handler 和 proxyauth_handler
opener = urllib.request.build_opener(proxyauth_handler)

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

# 6. 使用自定义opener发送请求
response = opener.open(request)

# 7. 打印响应内容
print(response.read().decode('utf-8'))

HTTPBasicAuthHandler处理器（Web客户端受权验证）

有些Web服务器（包括HTTP/FTP等）访问时，须要进行用户身份验证，爬虫直接访问会报HTTP 401 错误，表示访问身份未经受权：

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

# 用户名
user = "test"
# 密码
passwd = "123456"
# Web服务器 IP
webserver = "http://192.168.199.107"

# 1. 构建一个密码管理对象，用来保存须要处理的用户名和密码
passwdmgr = urllib.request.HTTPPasswordMgrWithDefaultRealm()

# 2. 添加帐户信息，第一个参数realm是与远程服务器相关的域信息，通常没人管它都是写None，后面三个参数分别是 Web服务器、用户名、密码
passwdmgr.add_password(None, webserver, user, passwd)

# 3. 构建一个HTTP基础用户名/密码验证的HTTPBasicAuthHandler处理器对象，参数是建立的密码管理对象
httpauth_handler = urllib.request.HTTPBasicAuthHandler(passwdmgr)

# 4. 经过 build_opener()方法使用这些代理Handler对象，建立自定义opener对象，参数包括构建的 proxy_handler
opener = urllib.request.build_opener(httpauth_handler)

# 5. 能够选择经过install_opener()方法定义opener为全局opener
urllib.request.install_opener(opener)

# 6. 构建 Request对象
request = urllib.request.Request("http://192.168.199.107")

# 7. 定义opener为全局opener后，可直接使用urlopen()发送请求
response = urllib.request.urlopen(request)

# 8. 打印响应内容
print(response.read().decode('utf-8'))

Cookie

Cookie 是指某些网站服务器为了辨别用户身份和进行Session跟踪，而储存在用户浏览器上的文本文件，Cookie能够保持登陆信息到用户下次与服务器的会话。

Cookie原理

HTTP是无状态的面向链接的协议, 为了保持链接状态, 引入了Cookie机制 Cookie是http消息头中的一种属性，包括：

Cookie名字（Name）
Cookie的值（Value）
Cookie的过时时间（Expires/Max-Age）
Cookie做用路径（Path）
Cookie所在域名（Domain），
使用Cookie进行安全链接（Secure）。

前两个参数是Cookie应用的必要条件，另外，还包括Cookie大小（Size，不一样浏览器对Cookie个数及大小限制是有差别的）。

Cookie由变量名和值组成，根据 Netscape公司的规定，Cookie格式以下:

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

Cookie应用

Cookies在爬虫方面最典型的应用是断定注册用户是否已经登陆网站，用户可能会获得提示，是否在下一次进入此网站时保留用户信息以便简化登陆手续。

# 获取一个有登陆信息的Cookie模拟登录

import urllib.request

# 1. 构建一个已经登陆过的用户的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",

    # 便于终端阅读，表示不支持压缩文件
    # Accept-Encoding: gzip, deflate, sdch,

    # 重点：这个Cookie是保存了密码无需重复登陆的用户的Cookie，这个Cookie里记录了用户名，密码(一般通过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. 经过headers里的报头信息（主要是Cookie信息），构建Request对象
request = urllib.request.Request("http://www.renren.com/", headers = headers)

# 3. 直接访问renren主页，服务器会根据headers报头信息（主要是Cookie信息），判断这是一个已经登陆的用户，并返回相应的页面
response = urllib.request.urlopen(request)

# 4. 打印响应内容
print(response.read().decode('utf-8'))

可是这样作太过复杂，咱们先须要在浏览器登陆帐户，而且设置保存密码，而且经过抓包才能获取这个Cookie，那有么有更简单方便的方法呢？

http.cookiejar库 和 HTTPCookieProcessor处理器

在Python处理Cookie，通常是经过http.cookiejar模块和 urllib模块的HTTPCookieProcessor处理器类一块儿使用。

http.cookiejar模块：主要做用是提供用于存储cookie的对象

HTTPCookieProcessor处理器：主要做用是处理这些cookie对象，并构建handler对象。

cookielib库

该模块主要的对象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。

CookieJar：管理HTTP cookie值、存储HTTP请求生成的cookie、向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中，对CookieJar实例进行垃圾回收后cookie也将丢失。

FileCookieJar (filename,delayload=None,policy=None)：从CookieJar派生而来，用来建立FileCookieJar实例，检索cookie信息并将cookie存储到文件中。filename是存储cookie的文件名。delayload为True时支持延迟访问访问文件，即只有在须要时才读取文件或在文件中存储数据。

MozillaCookieJar (filename,delayload=None,policy=None)：从FileCookieJar派生而来，建立与Mozilla浏览器 cookies.txt兼容的FileCookieJar实例。

LWPCookieJar (filename,delayload=None,policy=None)：从FileCookieJar派生而来，建立与libwww-perl标准的 Set-Cookie3 文件格式兼容的FileCookieJar实例。

其实大多数状况下，咱们只用CookieJar()，若是须要和本地文件交互，就用 MozillaCookjar() 或 LWPCookieJar()

咱们来作几个案例：

1）获取Cookie，并保存到CookieJar()对象中

import urllib.request
import http.cookiejar

# 构建一个CookieJar对象实例来保存cookie
cookiejar = http.cookiejar.CookieJar()

# 使用HTTPCookieProcessor()来建立cookie处理器对象，参数为CookieJar()对象
handler=urllib.request.HTTPCookieProcessor(cookiejar)

# 经过 build_opener() 来构建opener
opener = urllib.request.build_opener(handler)

# 4. 以get方法访问页面，访问以后会自动保存cookie到cookiejar中
opener.open("http://www.baidu.com")

## 能够按标准格式将保存的Cookie打印出来
cookieStr = ""
for item in cookiejar:
    cookieStr = cookieStr + item.name + "=" + item.value + ";"

## 舍去最后一位的分号
print(cookieStr[:-1])

咱们使用以上方法将Cookie保存到cookiejar对象中，而后打印出了cookie中的值，也就是访问百度首页的Cookie值。

运行结果以下：

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

2) 访问网站得到cookie，并把得到的cookie保存在cookie文件中

import http.cookiejar
import urllib.request

# 保存cookie的本地磁盘文件名
filename = 'cookie.txt'

# 声明一个MozillaCookieJar(有save实现)对象实例来保存cookie，以后写入文件
cookiejar = http.cookiejar.MozillaCookieJar(filename)

# 使用HTTPCookieProcessor()来建立cookie处理器对象，参数为CookieJar()对象
handler = urllib.request.HTTPCookieProcessor(cookiejar)

# 经过 build_opener() 来构建opener
opener = urllib.request.build_opener(handler)

# 建立一个请求，原理同urllib2的urlopen
response = opener.open("http://www.baidu.com")

# 保存cookie到本地文件
cookiejar.save()

3) 从文件中获取cookies，作为请求的一部分去访问

import http.request
import urllib.request

# 建立MozillaCookieJar(有load实现)实例对象
cookiejar = http.request.MozillaCookieJar()

# 从文件中读取cookie内容到变量
cookie.load('cookie.txt')

# 使用HTTPCookieProcessor()来建立cookie处理器对象，参数为CookieJar()对象
handler = urllib.request.HTTPCookieProcessor(cookiejar)

# 经过 build_opener() 来构建opener
opener = urllib.request.build_opener(handler)

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

利用cookielib和post登陆人人网

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

# 1. 构建一个CookieJar对象实例来保存cookie
cookie = http.cookiejar.CookieJar()

# 2. 使用HTTPCookieProcessor()来建立cookie处理器对象，参数为CookieJar()对象
cookie_handler = urllib.request.HTTPCookieProcessor(cookie)

# 3. 经过 build_opener() 来构建opener
opener = urllib.request.build_opener(cookie_handler)

# 4. addheaders 接受一个列表，里面每一个元素都是一个headers信息的元祖, opener将附带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. 须要登陆的帐户和密码
data = {"email":"hello@163.com", "password":"ahello"}  

# 6. 经过urlencode()转码
postdata = urllib.parse.urlencode(data)

# 7. 构建Request请求对象，包含须要发送的用户名和密码
request = urllib.request.Request("http://www.renren.com/PLogin.do", data = postdata)

# 8. 经过opener发送这个请求，并获取登陆后的Cookie值，
opener.open(request)                                              

# 9. opener包含用户登陆后的Cookie值，能够直接访问那些登陆后才能够访问的页面
response = opener.open("http://www.renren.com/410043129/profile")  

# 10. 打印响应内容
print(response.read().decode('utf-8'))

模拟登陆要注意几点：

1.登陆通常都会先有一个HTTP GET，用于拉取一些信息及得到Cookie，而后再HTTP POST登陆。
2.HTTP POST登陆的连接有多是动态的，从GET返回的信息中获取。
3.password 有些是明文发送，有些是加密后发送。有些网站甚至采用动态加密的，同时包括了不少其余数据的加密信息，只能经过查看JS源码得到加密算法，再去破解加密，很是困难。
4.大多数网站的登陆总体流程是相似的，可能有些细节不同，因此不能保证其余网站登陆成功。

这个测试案例中，为了想让你们快速理解知识点，咱们使用的人人网登陆接口是人人网改版前的隐藏接口，登陆比较方便。

固然，咱们也能够直接发送帐号密码到登陆界面模拟登陆，可是当网页采用JavaScript动态技术之后，想封锁基于 HttpClient 的模拟登陆就太容易了，甚至能够根据你的鼠标活动的特征准确地判断出是否是真人在操做。

因此，想作通用的模拟登陆还得选别的技术，好比用内置浏览器引擎的爬虫(关键词：Selenium ，PhantomJS)，这个咱们将在之后会学习到。

相关文章
相关标签/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。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 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