Python爬蟲Handler處理器和自定義Opener系列之四

1，概述

opener是 urllib.request.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處理器來創建特定功能的處理器對象；
2,然後通過 urllib.request.build_opener()方法使用這些處理器對象，創建自定義opener對象；
3,使用自定義的opener對象，調用open()方法發送請求。
4,注意：如果程序裏所有的請求都使用自定義的opener，可以使用urllib.request.install_opener() 將自定義的 opener 對象定義爲全局opener，表示如果之後凡是調用urlopen，都將使用這個opener（根據自己的需求來選擇）。

2,簡單的自定義opener()案例

from urllib import request

def loadPage():
    # 1. 創建指定功能的handler處理器對象,也可以是HTTPSHandler
    # 指定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，有時可以省去抓包的工作。
    http_handler = request.HTTPHandler(debuglevel=1)

    # 2. 使用處理器對象，返回自定義opener對象，這個opener發送請求時就具有opener的功能
    opener = request.build_opener(http_handler)

    # 3. 使用opener.open() 發送請求
    response = opener.open("http://www.baidu.com/")

    return response.read()


if __name__ == "__main__":
    html = loadPage()
    print(html)

3，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。

很多網站會檢測某一段時間某個IP的訪問次數(通過流量統計，系統日誌等)，如果訪問次數多的不像正常人，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繼續爬取。

urllib2中通過ProxyHandler來設置使用代理服務器。

匿名度：通常情況下，使用免費代理是可以看到真實IP的，所以也叫透明代理。透明代理的請求報頭有X-Forwarded-For部分，值是原始客戶端的 IP。

所以，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。

import os
from urllib import request


def loadPage():
    # 獲取指定環境變量的值
    # 代理用戶名
    proxy_user = os.environ.get('proxy_user')
    print(proxy_user)
    # 代理密碼
    proxy_password = os.environ.get("proxy_password")
    print(proxy_password)
    # 代理服務器IP
    proxy_server = os.environ.get("proxy_server")

    # 請求報頭
    headers = {"User-Agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Trident/5.0)"}

    # 1. 免費代理，直接使用,但是不穩定，可能用不了
    # proxy = {"http" : "121.232.147.178:9000"}

    # 2. 私密代理，需要配置用戶名和密碼，有兩種配置方式如下：
    # proxy = {"http": "197681237:[email protected]:16516"}
    # 在ubuntu環境變量中配置
    # 配置路徑：用戶變量：~/.bashrc
    proxy = {"http": proxy_user + ":" + proxy_password + "@" + proxy_server}

    # 可以處理代理的handler處理器，參數是字典類型
    proxy_handler = request.ProxyHandler(proxy)

    # 構建自定義opener對象，可以處理代理
    opener = request.build_opener(proxy_handler)

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

    # 使用自定義opener發送請求，同時附加代理處理
    response = opener.open(req)

    print(response.read())


if __name__ == "__main__":
    loadPage()

4，HTTPPasswordMgrWithDefaultRealm()不建議使用，推薦使用ProxyHandler（）

HTTPPasswordMgrWithDefaultRealm()類將創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：
HTTP Error 407: Proxy Authentication Required
HTTPBasicAuthHandler處理器（Web客戶端授權驗證）
有些Web服務器（包括HTTP/FTP等）的有些頁面並不想提供公共訪問權限，或者某些頁面不希望公開，但是可以讓特定的客戶端訪問。那麼用戶在訪問時會要求進行身份認證。
爬蟲直接訪問會報HTTP 401 錯誤，表示訪問身份未經授權：
HTTP Error 401: Unauthorized

from urllib import request

# 用戶名
user = "test"
# 密碼
passwd = "123456"
# Web服務器 IP
webserver = "http://192.168.105.29"

# 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 = request.HTTPPasswordMgrWithDefaultRealm()

# 2. 添加賬戶信息，第一個參數realm是與遠程服務器相關的域信息，一般沒人管它都是寫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，參數是創建的密碼管理對象
httpauth_handler = request.HTTPBasicAuthHandler(passwdmgr)

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

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

# 6. 構建 Request對象
req = request.Request("http://192.168.105.29")

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

# 8. 打印響應內容
print(response.read())

5，Cookie

1，cookie概述

HTTP是無狀態的面向連接的協議，服務器和客戶端的交互僅限於請求/響應過程，結束之後便斷開，在下一次請求時，服務器會認爲新的客戶端。爲了維護他們之間的鏈接，讓服務器知道這是之前某個用戶發送的請求，則必須在一個地方保存客戶端的信息。

Cookie：通過在客戶端記錄的信息確定用戶的身份。

Session：通過在服務器端記錄的信息確定用戶的身份。

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可以保持登錄信息到用戶下次與服務器的會話。

2，cookielib庫和 HTTPCookieProcessor處理器

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

cookielib模塊：主要作用是提供用於存儲cookie的對象
HTTPCookieProcessor處理器：主要作用是處理這些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，用來創建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，即只有在需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，創建與Mozilla瀏覽器 cookies.txt兼容的FileCookieJar實例。
LWPCookieJar (filename,delayload=None,policy=None)：從FileCookieJar派生而來，創建與libwww-perl標準的 Set-Cookie3 文件格式兼容的FileCookieJar實例。

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

3，cookie屬性

Cookie是http請求報頭中的一種屬性，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）。
前兩個參數是Cookie應用的必要條件，另外，還包括Cookie大小（不同瀏覽器對Cookie個數及大小限制是有差異的）。

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

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

4，cookie應用

案例一：獲取登錄過的百度的cookie

from urllib import request
from http import cookiejar

# 創建CookieJar()對象，可以在內存中存儲Cookie
cookiejar = cookiejar.CookieJar()
# 構建Cookie處理器對象，用來處理Cookie請求
cookie_handler = request.HTTPCookieProcessor(cookiejar)
# 構建自定義opener，發送請求後可以自動記錄cookie到cookiejar
opener = request.build_opener(cookie_handler)
# 發送請求
opener.open("http://www.baidu.com/")

print(cookiejar)

cookie_str = ""
for cookie in cookiejar:
    cookie_str += cookie.name + "=" + cookie.value + "; "

print(cookie_str)


# 第一次打印結果如下：
# <CookieJar[
# <Cookie BAIDUID=7851A9154CA33452B13341B793E2DD682DB:FG=1 for .baidu.com/>,
# <Cookie BIDUPSID=7851A91554CA32B13341B793E2DD682DB for .baidu.com/>,
# <Cookie H_PS_PSSID=1437_251108_1677001_20718 for .baidu.com/>,
# <Cookie PSTM=150036721731 for .baidu.com/>,
# <Cookie BDSVRTM=0 for www.baidu.com/>,
# <Cookie BD_HOME=0 for www.baidu.com/>
# ]>

# 第二次打印結果
# BAIDUID=D02C0083135C6986F65CC7E74846F2962:FG=1;
# BIDUPSID=D02C0058313C69865F65CC7E74846F2962;
# H_PS_PSSID=14569_21114_17001_20927;
# PSTM=1550037625191;
# BDSVRTM=0;
# BD_HOME=0;

案例二，訪問網站獲得cookie，並把獲得的cookie保存在cookie文件中

from urllib import request
from http import cookiejar

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

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

# 使用HTTPCookieProcessor()來創建cookie處理器對象，參數爲CookieJar()對象
handler = request.HTTPCookieProcessor(cookiejar)

# 通過 build_opener() 來構建自定義opener
opener = request.build_opener(handler)

# 創建一個請求
response = opener.open("http://www.baidu.com")

# 保存cookie到本地文件，使用save（）方法即可保存cookie
cookiejar.save()

案例三，從文件中獲取cookies，做爲請求的一部分去訪問

from urllib import request
from http import cookiejar

# 創建MozillaCookieJar(有load實現)實例對象
cookiejar = cookiejar.MozillaCookieJar()

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

# 使用HTTPCookieProcessor()來創建cookie處理器對象，參數爲CookieJar()對象
handler = request.HTTPCookieProcessor(cookiejar)

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

response = opener.open("http://www.baidu.com")
with open('xiaoke.html','wb') as f:
    f.write(response.read())

案例四，利用cookiejar和post模擬登錄人人網

from urllib import request, parse
from http import cookiejar


def login(opener):
    """
        模擬登錄，返回保存了登錄狀態的opener
        opener: 沒有登錄狀態Cookie 的 opener對象
    """
    # 登錄需要的數據，不同的網站登錄參數會不一樣
        # 這是人人網，老接口，只需要用戶名和密碼
        "email": "[email protected]",
        "password": "123456"
        # "token" : "xxxxxx",
    }
    # 轉爲url編碼
    data = parse.urlencode(fromdata).encode('utf-8')
    # 登錄頁面的url地址
    url = "http://www.renren.com/PLogin.do"
    headers = {"User-Agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Trident/5.0)"}

    # 發送post請求，登錄人人網，並且獲取登錄狀態的cookie
    request_1 = request.Request(url, data=data, headers=headers)
    # 發送請求，獲取Cookie
    opener.open(request_1)

    # 返回具有登錄狀態的opener
    return opener


def after_login(login_opener):
    """
        附帶登錄狀態的Cookie，發送其他頁面的請求
        login_opener: 附帶登錄狀態Cookie 的 opener對象
    """
    headers = {"User-Agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Trident/5.0)"}
    # 構建人人網隨便一個用戶主頁的請求
    request_2 = request.Request("http://www.renren.com/882178992/profile", headers=headers)

    # 直接訪問這個頁面
    response = login_opener.open(request_2)

    with open("renren.html", "wb") as f:
        f.write(response.read())


if __name__ == "__main__":
    # 用來存儲Cookie，可以動態更新Cookie
    cookiejar = cookiejar.CookieJar()
    # 構建Cookie處理器對象，用來處理Cookie請求
    cookie_handler = request.HTTPCookieProcessor(cookiejar)
    # 構建自定義opener，發送請求後可以自動記錄cookie到cookiejar
    opener = request.build_opener(cookie_handler)
    # 自己賬戶先登錄，登錄之後可以拿到帶有cookie信息的opener
    login_opener = login(opener)
    # 通過這個帶有cookie信息的opener，去訪問其他用戶的信息
    after_login(login_opener)

Python爬蟲Handler處理器和自定義Opener系列之四

1，概述

2,簡單的自定義opener()案例

3，ProxyHandler處理器（代理設置）

4，HTTPPasswordMgrWithDefaultRealm()不建議使用，推薦使用ProxyHandler（）

5，Cookie

1，cookie概述

2，cookielib庫和 HTTPCookieProcessor處理器

3，cookie屬性

4，cookie應用

案例一：獲取登錄過的百度的cookie

案例二，訪問網站獲得cookie，並把獲得的cookie保存在cookie文件中

案例三，從文件中獲取cookies，做爲請求的一部分去訪問

案例四，利用cookiejar和post模擬登錄人人網

Python爬蟲Requests模塊系列之六

Django+Jquery+Ajax+驗證碼登錄案例系列之十二

Python爬蟲簡述系列之一

Python爬蟲BeautifulSoup4系列之十

Django反向解析系列之十三

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結

Python爬蟲Handler處理器 和 自定義Opener系列之四

1，概述

2,簡單的自定義opener()案例

3，ProxyHandler處理器（代理設置）

4，HTTPPasswordMgrWithDefaultRealm()不建議使用，推薦使用ProxyHandler（）

5，Cookie

1，cookie概述

2，cookielib庫 和 HTTPCookieProcessor處理器

3，cookie屬性

4，cookie應用

案例一：獲取登錄過的百度的cookie

案例二，訪問網站獲得cookie，並把獲得的cookie保存在cookie文件中

案例三，從文件中獲取cookies，做爲請求的一部分去訪問

案例四，利用cookiejar和post模擬登錄人人網

Python爬蟲Handler處理器和自定義Opener系列之四

2，cookielib庫和 HTTPCookieProcessor處理器