爬虫入门之handler与opener(三)
程序员文章站
2022-03-17 09:58:50
1 自定义opener opener是 urllib.request.OpenerDirector 的实例，我们之前一直都在使用的urlopen，它是一个特殊的模块构建好的opener 但是基本的urlopen()方法 不支持代理、cookie等其他的HTTP/HTTPS高级功能 。所以要支持这些功 ......
1 自定义opener
opener是 urllib.request.OpenerDirector 的实例，我们之前一直都在使用的urlopen，它是一个特殊的模块构建好的opener
但是基本的urlopen()方法不支持代理、cookie等其他的HTTP/HTTPS高级功能。所以要支持这些功能：
（1）使用相关的 Handler处理器 来创建特定功能的处理器对象；
（2）然后通过 urllib.request.build_opener()方法使用这些处理器对象，创建自定义opener对象；
（3）使用自定义的opener对象，调用open()方法发送请求。
- 如果程序里所有的请求都使用自定义的opener，可以使用
urllib.request.install_opener()将自定义的 opener 对象 定义为 全局opener，表示之后凡是调用urlopen，都将使用这个opener来打开
在urllib库中，给我们提供了一些Handler：HTTPHandler，HTTPSHandler，ProxyHandler，BaseHandler，AbstractHTTPHandler，FileHandler，FTPHandler，分别用于处理HTTP，HTTPS，Proxy代理等。
import urllib
from urllib import request
handers = urllib.request.HTTPSHandler() #构建一个HTTPHandler 处理器对象，支持处理HTTPS请求
hander = urllib.request.HTTPHandler() #构建一个HTTPHandler 处理器对象，支持处理HTTP请求
# 方式1
opener = urllib.request.build_opener(hander) #创建一个打开器
urllib.request.install_opener(opener) #安装一个全局的打开器(这一步可选不安装采用默认)
request = urllib.request.Request("http://www.baidu.com/")
response = opener.open(request) #opener打开请求
print(response.read().decode())
#方式2
response = urllib.request.urlopen('http://www.baidu.com') #urllib.request.urlopen() 特殊的opener
print(response.read().decode())如果在 HTTPHandler()增加 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，有时可以省去抓包的工作。
# 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HTTPHSandler 处理器对象，支持处理HTTPS请求，同时开启Debug Log，debuglevel 值默认 0 https_handler = urllib.request.HTTPSHandler(debuglevel=1)
2 Cookie概述
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可以保持登录信息到用户下次与服务器的会话。
(1) Cookie原理
HTTP是无状态的面向连接的协议, 为保持连接状态, 引入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的过期时间（Expires/Max-Age） Cookie作用路径（Path） Cookie所在域名（Domain）， 使用Cookie进行安全连接（Secure）。 前两个参数是Cookie应用必要条件,还包括Cookie大小（Size，不同浏览器对Cookie个数及大小限制是有差异的）。
Cookie由变量名和值组成,Cookie格式如下：
Set－Cookie: NAME=VALUE；Expires=DATE；Path=PATH；Domain=DOMAIN_NAME；SECURE
(2) cookie应用
Cookies在爬虫方面最典型的应用是判定注册用户是否已经登录网站，用户可能会得到提示，是否在下一次进入此网站时保留用户信息以便简化登录手续。
# 获取一个有登录信息的Cookie模拟登陆
import urllib
from urllib import request
# 1. 构建一个已经登录过的用户的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",
# Accept-Encoding: gzip, deflate, sdch # 便于终端阅读，表示不支持压缩文件
# 重点：这个Cookie里记录了用户名，密码(通常经过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. 通过headers里的报头信息（主要是Cookie信息），构建Request对象
req = 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录的用户
response = urllib.request.urlopen(req)
# 4. 打印响应内容
print(response.read())
# 或者构建opener
hander = urllib.request.HTTPHandler()
opener = urllib.request.build_opener(hander)
req = urllib.request.Resquest("http://www.renren.com/", headers = headers)
response = opener.open(req)
print(response.read().decode())但是这样做太过复杂，我们先需要在浏览器登录账户，并且设置保存密码，并且通过抓包才能获取这个Cookie，那有么有更简单方便的方法呢？
3 cookielib库和HTTPCookieProcessor处理器
在Python处理Cookie，一般是通过cookielib模块和 urllib模块的HTTPCookieProcessor处理器类一起使用
cookielib模块：主要作用是提供用于存储cookie的对象
HTTPCookieProcessor处理器：主要作用是处理这些cookie对象，并构建handler对象。
（1）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，用来创建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，即只有在需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，创建与Mozilla浏览器 cookies.txt兼容的FileCookieJar实例。 #LWPCookieJar (filename,delayload=None,policy=None)：从FileCookieJar派生而来，创建与libwww-perl标准的 Set-Cookie3 文件格式兼容的FileCookieJar实例。
其实大多数情况下，我们只用CookieJar()，如果需要和本地文件交互，就用 MozillaCookjar() 或 LWPCookieJar()
(2) 案例
HTTPCookieProcessor 用来配置cookie的处理器
ProxyHandler 用来配置代理
HTTPHander 用来配置http
HTTPSHander 用来配置https
cookie库的配置流程:
- 创建一个CookieJar对象
- 使用cookiejar对象，创建一个handler对象
- 使用handler创建一个opener
- 通过opener登录
- handler会自动的保存登录之后的cookie
- 获取Cookie，并保存到CookieJar()对象中
import urllib.request
from http import cookiejar
cookies = cookiejar.CookieJar() # 构建一个CookieJar对象实例来保存cookie
# 使用HTTPCookieProcessor()来创建cookie处理器对象，参数为CookieJar()对象
cookie_handler = urllib.request.HTTPCookieProcessor(cookies)
opener = urllib.request.build_opener(cookie_handler) # 构建打开器
response = opener.open("http://www.baidu.com") #访问页面
cookieDict = ''
for cookie in cookies:
print(cookie) #类型为<class 'http.cookiejar.Cookie'>
cookieDict += cookie.name +'='+ cookie.value + '\n'
print(cookieDict)
#输出：
<class 'http.cookiejar.Cookie'>
BAIDUID=ACB161A0A42A0374A9D9C4F94DC7F563:FG=1
BIDUPSID=ACB161A0A42A0374A9D9C4F94DC7F563
H_PS_PSSID=1426_21083_26577_22073
PSTM=1528979080
BDSVRTM=0
BD_HOME=0- 访问网站获取cookie值，并把获得的cookie保存在cookie文件中
import urllib.request
from http import cookiejar
filename = 'cookie.txt'
#涉及本地文件交互采用LWPCCookieJar实例保存cookie
cookies = cookiejar.LWPCCookieJar(filename=filename)
cookie_handle = urllib.request.HTTPCookieProcessor(cookies) #构建cookie处理器
headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36"
}
req = urllib.request.Request('http://www.baidu.com',headers=headers) #构建请求
response = opener.open(req) #打开请求
cookies.save(ignore_discard=True, ignore_expires=True) #忽略错误并保存cookie至本地从文件中获取cookies，做为请求的一部分去访问
import urllib.request
from http import cookiejar
filePath = 'baiduCookie.txt' #本地已存在的文件
cookies = cookiejar.LWPCookieJar() #实例化保存cookie对象cookies，不需传参
cookies.load(filePath=filePath,ignore_discard=True, ignore_expires=True) #对cookies文件进行加载
cookie_handler = urllib.request.HTTPCookieProcessor(cookies) #处理器
opener = urllib.request.build_opener(cookie_handler)#构建打开器
headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36"
}
req = urllib.request.Request('http://www.baidu.com',headers=headers) #构建请求
response = opener.open(req) #打开请求4 HTTP代理Fidder
（1）Request部分解析
Headers —— 显示客户端发送到服务器的 HTTP 请求的 header，显示为一个分级视图，包含了 Web 客户端信息、Cookie、传输状态等。 Textview —— 显示 POST 请求的 body 部分为文本。 WebForms —— 显示请求的 GET 参数 和 POST body 内容。 HexView —— 用十六进制数据显示请求。 Auth —— 显示响应 header 中的 Proxy-Authorization(代理身份验证) 和 Authorization(授权) 信息. Raw —— 将整个请求显示为纯文本。 JSON - 显示JSON格式文件。 XML —— 如果请求的 body 是 XML 格式，就是用分级的 XML 树来显示它。
（2）Response部分详解
Transformer —— 显示响应的编码信息。 Headers —— 用分级视图显示响应的 header。 TextView —— 使用文本显示相应的 body。 ImageVies —— 如果请求是图片资源，显示响应的图片。 HexView —— 用十六进制数据显示响应。 WebView —— 响应在 Web 浏览器中的预览效果。 Auth —— 显示响应 header 中的 Proxy-Authorization(代理身份验证) 和 Authorization(授权) 信息。 Caching —— 显示此请求的缓存信息。 Privacy —— 显示此请求的私密 (P3P) 信息。 Raw —— 将整个响应显示为纯文本。 JSON - 显示JSON格式文件。 XML —— 如果响应的 body 是 XML 格式，就是用分级的 XML 树来显示它
（3）模拟登陆人人网
import urllib
from urllib import request, parse
from http import cookiejar
filename = "cookie.txt"
cookie = cookiejar.LWPCookieJar(filename=filename) #创建一个cookie对象，保存cookie
# 构建cookie处理器
hander_cookie = urllib.request.HTTPCookieProcessor(cookie)
# 创建一个打开器
opener = urllib.request.build_opener(hander_cookie)
# 安装一个全局可用的opener
urllib.request.install_opener(opener)
header = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36"}
loginUrl = "http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=2018542123646"
data = {
"email": "用户名",
"password": "密码"
}
data = urllib.parse.urlencode(data).encode('utf-8') #将data转二进制
req = urllib.request.Request(url=loginUrl, headers=header, data=data) #构建request请求
response = opener.open(req) #打开请求
cookie.save(ignore_discard=True, ignore_expires=True) # 保存cookie可重复使用
print(response.read().decode()) #返回登陆后的响应
print(cookie,type(cookie)) # cookie存放在列表里
indexurl = "http://www.renren.com/SysHome.do" #登陆界面
print("==================")
response = opener.open(indexurl)
print(response.read().decode()) #打印登陆后的网页（4）重复使用cookie
import urllib
from urllib import request, parse
from http import cookiejar
# 创建一个cookie对象
filename = "cookie.txt" #本地已存在的cookie
cookie = cookiejar.LWPCookieJar()
cookie.load(filename, ignore_expires=True, ignore_discard=True) # 加载cookie
hander_cookie = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(hander_cookie)
urllib.request.install_opener(opener)
header = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}
indexurl = "http://zhibo.renren.com/top"
print("==================")
print(urllib.request.urlopen(indexurl).read().decode())5 ProxyHandler处理器
(1) 代理 IP
使用代理IP，这是爬虫/反爬虫的第二大招，通常也是最好用的。
很多网站会检测某一段时间某个IP的访问次数(通过流量统计，系统日志等)，如果访问次数多的不像正常人，它会禁止这个IP的访问。
所以我们可以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，依然可以换个IP继续爬取。urllib中通过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
#构建了两个代理Handler,一个有代理IP,一个没有代理IP
httpproxy_handler = urllib.request.ProxyHandler({"http":"120.76.55.49:8088"})
nullproxy_handler = urllib.request.ProxyHandler({})
proxyswitch = True #定义一个代理开关
#通过urllib2.build_opener()方法使用这些代理Handler对象，创建自定义opener
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.如果这么写，只有使用opener.open()方法发送请才使用自定义的代理，而urlopen()使用自定义代理
response = opener.open(request)
#2.如果这么写，就是opener应用到全局，不管是opener.open()还是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())免费短期代理网站举例：
#当有足够的代理ip与用户代理时，可以随机操作
import urllib.request
import random
proxy = {"http": "10.31.162.71:808"} # 代理ip, 无密码
# 代理ip, 有密码{"协议":"用户名:密码@IP:端口"}
# proxy = {"HTTP": "User1:123456@10.31.162.71:808"}
# ip代理池列表
proxyList = [{"HTTPS": "14.118.252.111:6666"},
{"HTTPS": "122.72.18.34:80"},
{"HTTPS": "122.72.18.35:80"}]
# user-agent代理列表（或者直接构建字典 {User-Agent：" "}）
UserAngentList=[
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36",
"Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; Touch; rv:11.0) like Gecko",
"Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit/604.1.38 (KHTML, like Gecko) Version/11.0 Mobile/15A372 Safari/604.1",
"Mozilla/5.0 (Linux; Android 5.0; SM-G900P Build/LRX21T) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Mobile Safari/537.36"
]
for _ in range(1):
proxy = random.choice(proxyList) #
proxy_handler = urllib.request.ProxyHandler(proxy) # 代理处理器
opener = urllib.request.build_opener(proxy_handler) # 创建打开器opener
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}
url = "http://blog.csdn.net/Gi1gamesh/article/details/80690415"
req = urllib.request.Request(url, headers=headers)
req.add_header("User-Agent", random.choice(UserAngentList)) #给用户代理添加User-Agent属性
response = urllib.request.urlopen(req)
#进行异常处理
try:
req = urllib.request.Request(url, headers=headers) #构建请求
response = urllib.request.urlopen(req) #打开请求
print(response.code) #状态码
except:
pass（2）HTTPPasswordMgrWithDefaultRealm()
HTTPPasswordMgrWithDefaultRealm()类创建一个密码管理对象，用来保存HTTP请求相关的用户名和密码，主要应用两个场景：
- 验证代理授权的用户名和密码(ProxyBasicAuthHandler())
- 验证web客户端的用户名和密码(HTTPBasicAuthHandler())
ProxyBasicAuthHandler(代理授权验证)
如果我们使用之前的代码来使用私密代理，会报HTTP 407错误，表示代理没有通过身份验证：
urllib2.HTTPError:HTTP Error 407：Proxy Authentication Required
所以我们需要改写代码，通过：
-
HTTPPasswordMgrWithDefaultRealm()：来保存私密代理的用户密码 -
ProxyBasicAuthHandler()：来处理代理的身份。
import urllib
#私密代理授权的账户
user = "mr_mao_hacker"
#私密代理授权的密码
passwd = "sffqry9r"
#私密代理IP
proxyserver = "61.23.123.43:16813"
#1. 构建一个密码管理对象，用来保存需要处理的用户名和密码
passwdmgr = urllib.request.HTTPPasswordMgrWithDefaultRealm()
#2. 添加账户信息，第一个参数是realm是与远程服务器相关的域信息，一般没人管它都是写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. 构建一个基础用户名/密码验证的ProxyBasicAuthHandler处理器对象，参数是创建的密码管理对象
#注意：这里不再使用普通的ProxyHandler累了。
proxyauth_handler = urllib.request.ProxyBasicAuthHandler(passwdmgr)
#4. 通过build_opener()方法使用代理handler对象，创建自定义opener对象，参数包括构建的proxyauth_handler
opener = urllib.request.build_opener(proxyauth_handler)
#5．构建request请求
request = urllib.request.Request("http://www.baidu.com/")
#6．使用自定义的opener发送请求
response = opener.open(request)
#7．打印响应内容
print(response.read())有些Web服务器(包括HTTP/FTP等)访问时，需要进行用户身份验证，爬虫直接访问会报HTTP 401错误，表示访问身份未经授权：
urllib2.HTTPError:HTTP Error 401:Unauthorized
如果我们有客户端的用户名和密码，我们可以通过下面的方法去访问爬取：
#用户名
user = "test"
#密码
passwd = "123456"
#web服务器IP
webserver = "18.123.123.1:16354"
#1. 构建一个用户密码管理对象，用来保存需要处理的用户密码
passmgr = urllib.request.HTTPPasswordMgrWithDefaultRealm()
#2. 添加账户信息，第一个参数是realm与远程服务器相关的域消息，一般没人管都是写None,后面三个参数分别是服务器，用户名，密码
passmgr.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，参数是创建的密码管理对象
httpauth_handler = urllib.request.HTTPBasicAuthHandler(passmgr)
#4.通过build_opener()方法使用这些代理handler对象，创建自定义的opener对象，参数是创建的httpauth_handler
opener = urllib.request.build_opener(httpauth_handler)
#5.可以选择通过install_opener()方法定义全局opener
urllib.request.install_opener(opener)
#6.构建request对象
request = urllib.request.Request("http://www.baidu.com/")
#7.定义opener为全局opener后，可直接使用urlopen()请求
response = urllib.request.urlopen(request)
#8.打印回应
print(response.read())上一篇： 微服务2.0时代，论其痛点与触点