python模擬一個瀏覽器

知道如何快速在命令行或者python腳本中實例化一個瀏覽器通常是非常有用的。
每次我需要做任何關於web的自動任務時，我都使用這段python代碼去模擬一個瀏覽器。

import mechanize

import cookielib

# Browser

br = mechanize.Browser()

# Cookie Jar

cj = cookielib.LWPCookieJar()

br.set_cookiejar(cj)

# Browser options

br.set_handle_equiv(True)

br.set_handle_gzip(True)

br.set_handle_redirect(True)

br.set_handle_referer(True)

br.set_handle_robots(False)

# Follows refresh 0 but not hangs on refresh > 0

br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)

# Want debugging messages?

#br.set_debug_http(True)

#br.set_debug_redirects(True)

#br.set_debug_responses(True)

# User-Agent (this is cheating, ok?)

br.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]

現在你得到了一個瀏覽器的示例，br對象。使用這個對象，便可以打開一個頁面，使用類似如下的代碼:

# Open some site, let's pick a random one, the first that pops in mind:

r = br.open('http://google.com')

html = r.read()

# Show the source

print html

# or

print br.response().read()

# Show the html title

print br.title()

# Show the response headers

print r.info()

# or

print br.response().info()

# Show the available forms

for f in br.forms():

    print f

# Select the first (index zero) form

br.select_form(nr=0)

# Let's search

br.form['q']='weekend codes'

br.submit()

print br.response().read()

# Looking at some results in link format

for l in br.links(url_regex='stockrt'):

    print l

如果你訪問的網站需要驗證(http basic auth),那麼:

1

2

3

4

# If the protected site didn't receive the authentication data you would

# end up with a 410 error in your face

br.add_password('http://safe-site.domain', 'username', 'password')

br.open('http://safe-site.domain')

由於之前使用了Cookie Jar，你不需要管理網站的登錄session。也就是不需要管理需要POST一個用戶名和密碼的情況。
通常這種情況，網站會請求你的瀏覽器去存儲一個session cookie除非你重複登陸，
而導致你的cookie中含有這個字段。所有這些事情，存儲和重發這個session cookie已經被Cookie Jar搞定了，爽吧。
同時，你可以管理你的瀏覽器歷史:

# Testing presence of link (if the link is not found you would have to

# handle a LinkNotFoundError exception)

br.find_link(text='Weekend codes')

# Actually clicking the link

req = br.click_link(text='Weekend codes')

br.open(req)

print br.response().read()

print br.geturl()

# Back

br.back()

print br.response().read()

print br.geturl()

下載一個文件:

1

2

3

4

# Download

f = br.retrieve('http://www.google.com.br/intl/pt-BR_br/images/logo.gif')[0]

print f

fh = open(f)

爲http設置代理

1

2

3

4

5

6

# Proxy and user/password

br.set_proxies({"http": "joe:[email protected]:3128"})

# Proxy

br.set_proxies({"http": "myproxy.example.com:3128"})

# Proxy password

br.add_proxy_password("joe", "password")

但是，如果你只想要打開網頁，而不需要之前所有神奇的功能，那你可以:

1

2

3

4

5

6

7

# Simple open?

import urllib2

print urllib2.urlopen('http://stockrt.github.com').read()

# With password?

import urllib

opener = urllib.FancyURLopener()

print opener.open('http://user:[email protected]').read()

你可以通過 mechanize官方網站， mechanize文檔和 ClientForm的文檔瞭解更多。

原文來自：http://reyoung.me/index.php/2012/08/08/%E7%BF%BB%E8%AF%91%E4%BD%BF%E7%94%A8python%E6%A8%A1%E4%BB%BF%E6%B5%8F%E8%A7%88%E5%99%A8%E8%A1%8C%E4%B8%BA/

——————————————————————————————

最後來聊下通過代碼訪問頁面時的一個很重要的概念和技術：cookie

我們都知道HTTP是無連接的狀態協議，但是客戶端和服務器端需要保持一些相互信息，比如cookie，有了cookie，服務器才能知道剛纔是這個用戶登錄了網站，纔會給予客戶端訪問一些頁面的權限。
比如用瀏覽器登錄新浪微博，必須先登錄，登陸成功後，打開其他的網頁才能夠訪問。用程序登錄新浪微博或其他驗證網站，關鍵點也在於需要保存cookie，之後附帶cookie再來訪問網站，才能夠達到效果。
這裏就需要Python的cookielib和urllib2等的配合，將cookielib綁定到urllib2在一起，就能夠在請求網頁的時候附帶cookie。
具體做法，首先第一步，用firefox的httpfox插件，在瀏覽器衷開始瀏覽新浪微博首頁，然後登陸，從httpfox的記錄中，查看每一步發送了那些數據請求了那個URL；之後再python裏面，模擬這個過程，用urllib2.urlopen發送用戶名密碼到登陸頁面，獲取登陸後的cookie，之後訪問其他頁面，獲取微博數據。

cookielib模塊的主要作用是提供可存儲cookie的對象，以便於與urllib2模塊配合使用來訪問Internet資源。例如可以利用本模塊的CookieJar類的對象來捕獲cookie並在後續連接請求時重新發送。coiokielib模塊用到的對象主要有下面幾個：CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。
urllib模塊和urllib模塊類似，用來打開URL並從中獲取數據。與urllib模塊不同的是，urllib模塊不僅可以使用urlopen()函數還可以自定義Opener來訪問網頁。同時要注意：urlretrieve()函數是urllib模塊中的，urllib2模塊中不存在該函數。但是使用urllib2模塊時一般都離不開urllib模塊，因爲POST的數據需要使用urllib.urlencode()函數來編碼。

cookielib模塊一般與urllib2模塊配合使用，主要用在urllib2.build_oper()函數中作爲urllib2.HTTPCookieProcessor()的參數。使用方法如下面登錄人人網的代碼：

#! /usr/bin/env python

#coding=utf-8

import urllib2

import urllib

import cookielib

data={"email":"用戶名","password":"密碼"}  #登陸用戶名和密碼

post_data=urllib.urlencode(data)

cj=cookielib.CookieJar()

opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))

headers ={"User-agent":"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1"}

req=urllib2.Request("http://www.renren.com/PLogin.do",post_data,headers)

content=opener.open(req)

print content.read().decode("utf-8").encode("gbk")