Python爬蟲入門之五Handler處理器和自定義Opener
阿新 • • 發佈：2018-11-24
Handler處理器和自定義Opener
opener是 urllib.OpenerDirector 的例項，我們之前一直都在使用的urlopen，它是一個特殊的opener（也就是模組幫我們構建好的）
但是基本的urlopen()方法不支援代理、cookie等其他的HTTP/HTTPS高階功能。所以要支援這些功能：
1.使用相關的 Handler處理器 來建立特定功能的處理器物件
2.然後通過 urllib.request.build_opener()方法使用這些處理器物件，建立自定義opener物件；
3.使用自定義的opener物件，呼叫open()方法傳送請求
如果程式裡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 物件 定義為 全域性opener，表示如果之後凡是呼叫urlopen，都將使用這個opener（根據自己的需求來選擇）
簡單的自定義opener()
import urllib.request # 構建一個HTTPHandler處理器物件,支援處理HTTP請求 http_handler = urllib.request.HTTPHandler() # 構建一個HTTPHandler處理器物件,支援處理HTTP請求 # http_handler = urllib.request.HTTPSHandler() # 呼叫build_opener()方法構建一個自定義的opener物件,引數是構建的處理器物件 opener = urllib.request.build_opener(http_handler) # 構建Request請求 request = urllib.request.Request("http://www.baidu.com/") # 呼叫自定義opener物件的open()方法,傳送request請求 response = opener.open(request) # 獲取伺服器相應內容並列印 print(response.read().decode('utf-8'))
這種方式傳送請求得到的結果，和使用urllib.request.urlopen()傳送HTTP/HTTPS請求得到的結果是一樣的。
如果在 HTTPHandler()增加 debuglevel=1引數，還會將 Debug Log 開啟，這樣程式在執行的時候，會把收包和發包的報頭在螢幕上自動打印出來，方便除錯，有時可以省去抓包的工作。
#僅需修改的程式碼部分 # 構建一個HTTPHandler 處理器物件，支援處理HTTP請求，同時開啟Debug Log，debuglevel 值預設 0 http_handler = urllib.request.HTTPHandler(debuglevel=1) # 構建一個HTTPSHandler 處理器物件，支援處理HTTP請求，同時開啟Debug Log，debuglevel 值預設 0 http_handler = urllib.request.HTTPSHandler(debuglevel=1)
ProxyHandler處理器（代理設定）
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。
所以我們可以設定一些代理伺服器，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。
urllib中通過ProxyHandler來設定使用代理伺服器，下面程式碼說明如何使用自定義opener來使用代理：
import urllib.request
# 代理開關,表示是否啟用代理
proxyswitch = False
# 構建一個Handler處理器物件,引數是一個字典型別,包括代理型別和代理伺服器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物件
nullproxy_handler = urllib.request.ProxyHandler({})
# 根據代理開關是否開啟，使用不同的代理模式
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. 如果這麼寫，只有使用opener.open()方法傳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. 如果這麼寫，就是將opener應用到全域性，之後所有的，不管是opener.open()還是urlopen() 傳送請求，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，我們可以在一些代理網站上收集這些免費代理，測試後如果可以用，就把它收集起來用在爬蟲上面。
免費短期代理網站舉例：
- 西刺免費代理IP
- 快代理免費代理
- Proxy360代理
- 全網代理IP
如果代理IP足夠多，就可以像隨機獲取User-Agent一樣，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物件
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'))
但是，這些免費開放代理一般會有很多人都在使用，而且代理有壽命短，速度慢，匿名度不高，HTTP/HTTPS支援不穩定等缺點（免費沒好貨）。
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，再通過使用者名稱/密碼授權使用（捨不得孩子套不到狼）。HTTPPasswordMgrWithDefaultRealm()
HTTPPasswordMgrWithDefaultRealm()類將建立一個密碼管理物件，用來儲存 HTTP 請求相關的使用者名稱和密碼，主要應用兩個場景：
- 驗證代理授權的使用者名稱和密碼 (ProxyBasicAuthHandler())
- 驗證Web客戶端的的使用者名稱和密碼 (HTTPBasicAuthHandler())
ProxyBasicAuthHandler(代理授權驗證)
如果我們使用之前的程式碼來使用私密代理，會報 HTTP 407 錯誤，表示代理沒有通過身份驗證：
urllib.request.HTTPError: HTTP Error 407: Proxy Authentication Required所以我們需要改寫程式碼，通過：
- HTTPPasswordMgrWithDefaultRealm()：來儲存私密代理的使用者密碼
- ProxyBasicAuthHandler()：來處理代理的身份驗證。
import urllib.request
# 私密代理授權的賬戶
user = "lalala"
# 私密代理授權的密碼
passwd = "123456"
# 私密代理 IP
proxyserver = "61.158.163.130:16816"
# 1. 構建一個密碼管理物件，用來儲存需要處理的使用者名稱和密碼
passwdmgr = urllib.request.HTTPPasswordMgrWithDefaultRealm()
# 2. 新增賬戶資訊，第一個引數realm是與遠端伺服器相關的域資訊，一般沒人管它都是寫None，後面三個引數分別是 代理伺服器、使用者名稱、密碼
passwdmgr.add_password(None, proxyserver, user, passwd)
# 3. 構建一個代理基礎使用者名稱/密碼驗證的ProxyBasicAuthHandler處理器物件，引數是建立的密碼管理物件
# 注意，這裡不再使用普通ProxyHandler類了
proxyauth_handler = urllib.request.ProxyBasicAuthHandler(passwdmgr)
# 4. 通過 build_opener()方法使用這些代理Handler物件，建立自定義opener物件，引數包括構建的 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傳送請求
response = opener.open(request)
# 7. 列印響應內容
print(response.read().decode('utf-8'))
HTTPBasicAuthHandler處理器（Web客戶端授權驗證）
有些Web伺服器（包括HTTP/FTP等）訪問時，需要進行使用者身份驗證，爬蟲直接訪問會報HTTP 401 錯誤，表示訪問身份未經授權：
urllib.request.HTTPError: HTTP Error 401: Unauthorized
import urllib.request
# 使用者名稱
user = "test"
# 密碼
passwd = "123456"
# Web伺服器 IP
webserver = "http://192.168.199.107"
# 1. 構建一個密碼管理物件，用來儲存需要處理的使用者名稱和密碼
passwdmgr = urllib.request.HTTPPasswordMgrWithDefaultRealm()
# 2. 新增賬戶資訊，第一個引數realm是與遠端伺服器相關的域資訊，一般沒人管它都是寫None，後面三個引數分別是 Web伺服器、使用者名稱、密碼
passwdmgr.add_password(None, webserver, user, passwd)
# 3. 構建一個HTTP基礎使用者名稱/密碼驗證的HTTPBasicAuthHandler處理器物件，引數是建立的密碼管理物件
httpauth_handler = urllib.request.HTTPBasicAuthHandler(passwdmgr)
# 4. 通過 build_opener()方法使用這些代理Handler物件，建立自定義opener物件，引數包括構建的 proxy_handler
opener = urllib.request.build_opener(httpauth_handler)
# 5. 可以選擇通過install_opener()方法定義opener為全域性opener
urllib.request.install_opener(opener)
# 6. 構建 Request物件
request = urllib.request.Request("http://192.168.199.107")
# 7. 定義opener為全域性opener後，可直接使用urlopen()傳送請求
response = urllib.request.urlopen(request)
# 8. 列印響應內容
print(response.read().decode('utf-8'))
Cookie
Cookie 是指某些網站伺服器為了辨別使用者身份和進行Session跟蹤，而儲存在使用者瀏覽器上的文字檔案，Cookie可以保持登入資訊到使用者下次與伺服器的會話。
Cookie原理
HTTP是無狀態的面向連線的協議, 為了保持連線狀態, 引入了Cookie機制 Cookie是http訊息頭中的一種屬性，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進行安全連線（Secure）。
前兩個引數是Cookie應用的必要條件，另外，還包括Cookie大小（Size，不同瀏覽器對Cookie個數及大小限制是有差異的）。Cookie由變數名和值組成，根據 Netscape公司的規定，Cookie格式如下:
Set－Cookie: NAME=VALUE；Expires=DATE；Path=PATH；Domain=DOMAIN_NAME；SECURECookie應用
Cookies在爬蟲方面最典型的應用是判定註冊使用者是否已經登入網站，使用者可能會得到提示，是否在下一次進入此網站時保留使用者資訊以便簡化登入手續。
# 獲取一個有登入資訊的Cookie模擬登陸
import urllib.request
# 1. 構建一個已經登入過的使用者的headers資訊
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，表示不支援壓縮檔案
# Accept-Encoding: gzip, deflate, sdch,
# 重點：這個Cookie是儲存了密碼無需重複登入的使用者的Cookie，這個Cookie裡記錄了使用者名稱，密碼(通常經過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; [email protected]; 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. 通過headers裡的報頭資訊（主要是Cookie資訊），構建Request物件
request = urllib.request.Request("http://www.renren.com/", headers = headers)
# 3. 直接訪問renren主頁，伺服器會根據headers報頭資訊（主要是Cookie資訊），判斷這是一個已經登入的使用者，並返回相應的頁面
response = urllib.request.urlopen(request)
# 4. 列印響應內容
print(response.read().decode('utf-8'))但是這樣做太過複雜，我們先需要在瀏覽器登入賬戶，並且設定儲存密碼，並且通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，一般是通過http.cookiejar模組和 urllib模組的HTTPCookieProcessor處理器類一起使用。
http.cookiejar模組：主要作用是提供用於儲存cookie的物件
HTTPCookieProcessor處理器：主要作用是處理這些cookie物件，並構建handler物件。cookielib庫
該模組主要的物件有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。
CookieJar：管理HTTP cookie值、儲存HTTP請求生成的cookie、向傳出的HTTP請求新增cookie的物件。整個cookie都儲存在記憶體中，對CookieJar例項進行垃圾回收後cookie也將丟失。
FileCookieJar (filename,delayload=None,policy=None)：從CookieJar派生而來，用來建立FileCookieJar例項，檢索cookie資訊並將cookie儲存到檔案中。filename是儲存cookie的檔名。delayload為True時支援延遲訪問訪問檔案，即只有在需要時才讀取檔案或在檔案中儲存資料。
MozillaCookieJar (filename,delayload=None,policy=None)：從FileCookieJar派生而來，建立與Mozilla瀏覽器 cookies.txt相容的FileCookieJar例項。
LWPCookieJar (filename,delayload=None,policy=None)：從FileCookieJar派生而來，建立與libwww-perl標準的 Set-Cookie3 檔案格式相容的FileCookieJar例項。其實大多數情況下，我們只用CookieJar()，如果需要和本地檔案互動，就用 MozillaCookjar() 或 LWPCookieJar()
我們來做幾個案例：
1）獲取Cookie，並儲存到CookieJar()物件中
import urllib.request
import http.cookiejar
# 構建一個CookieJar物件例項來儲存cookie
cookiejar = http.cookiejar.CookieJar()
# 使用HTTPCookieProcessor()來建立cookie處理器物件，引數為CookieJar()物件
handler=urllib.request.HTTPCookieProcessor(cookiejar)
# 通過 build_opener() 來構建opener
opener = urllib.request.build_opener(handler)
# 4. 以get方法訪問頁面，訪問之後會自動儲存cookie到cookiejar中
opener.open("http://www.baidu.com")
## 可以按標準格式將儲存的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])我們使用以上方法將Cookie儲存到cookiejar物件中，然後打印出了cookie中的值，也就是訪問百度首頁的Cookie值。
執行結果如下：
BAIDUID=986696E9D712EFEA7C4473054A67D86E:FG=1;BIDUPSID=986696E9D712EFEA7C4473054A67D86E;H_PS_PSSID=1433_21112_18559_26925_22158;PSTM=1533194902;BDSVRTM=0;BD_HOME=0;delPer=02) 訪問網站獲得cookie，並把獲得的cookie儲存在cookie檔案中
import http.cookiejar
import urllib.request
# 儲存cookie的本地磁碟檔名
filename = 'cookie.txt'
# 宣告一個MozillaCookieJar(有save實現)物件例項來儲存cookie，之後寫入檔案
cookiejar = http.cookiejar.MozillaCookieJar(filename)
# 使用HTTPCookieProcessor()來建立cookie處理器物件，引數為CookieJar()物件
handler = urllib.request.HTTPCookieProcessor(cookiejar)
# 通過 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")
# 儲存cookie到本地檔案
cookiejar.save()
3) 從檔案中獲取cookies，做為請求的一部分去訪問
import http.request
import urllib.request
# 建立MozillaCookieJar(有load實現)例項物件
cookiejar = http.request.MozillaCookieJar()
# 從檔案中讀取cookie內容到變數
cookie.load('cookie.txt')
# 使用HTTPCookieProcessor()來建立cookie處理器物件，引數為CookieJar()物件
handler = urllib.request.HTTPCookieProcessor(cookiejar)
# 通過 build_opener() 來構建opener
opener = urllib.request.build_opener(handler)
response = opener.open("http://www.baidu.com")利用cookielib和post登入人人網
import urllib.request
import urllib.parse
import http.cookiejar
# 1. 構建一個CookieJar物件例項來儲存cookie
cookie = http.cookiejar.CookieJar()
# 2. 使用HTTPCookieProcessor()來建立cookie處理器物件，引數為CookieJar()物件
cookie_handler = urllib.request.HTTPCookieProcessor(cookie)
# 3. 通過 build_opener() 來構建opener
opener = urllib.request.build_opener(cookie_handler)
# 4. addheaders 接受一個列表，裡面每個元素都是一個headers資訊的元祖, opener將附帶headers資訊
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. 需要登入的賬戶和密碼
data = {"email":"[email protected]", "password":"ahello"}
# 6. 通過urlencode()轉碼
postdata = urllib.parse.urlencode(data)
# 7. 構建Request請求物件，包含需要傳送的使用者名稱和密碼
request = urllib.request.Request("http://www.renren.com/PLogin.do", data = postdata)
# 8. 通過opener傳送這個請求，並獲取登入後的Cookie值，
opener.open(request)
# 9. opener包含使用者登入後的Cookie值，可以直接訪問那些登入後才可以訪問的頁面
response = opener.open("http://www.renren.com/410043129/profile")
# 10. 列印響應內容
print(response.read().decode('utf-8'))模擬登入要注意幾點：
1.登入一般都會先有一個HTTP GET，用於拉取一些資訊及獲得Cookie，然後再HTTP POST登入。
2.HTTP POST登入的連結有可能是動態的，從GET返回的資訊中獲取。
3.password 有些是明文傳送，有些是加密後傳送。有些網站甚至採用動態加密的，同時包括了很多其他資料的加密資訊，只能通過檢視JS原始碼獲得加密演算法，再去破解加密，非常困難。
4.大多數網站的登入整體流程是類似的，可能有些細節不一樣，所以不能保證其他網站登入成功。這個測試案例中，為了想讓大家快速理解知識點，我們使用的人人網登入介面是人人網改版前的隱藏介面，登入比較方便。
當然，我們也可以直接傳送賬號密碼到登入介面模擬登入，但是當網頁採用JavaScript動態技術以後，想封鎖基於 HttpClient 的模擬登入就太容易了，甚至可以根據你的滑鼠活動的特徵準確地判斷出是不是真人在操作。
所以，想做通用的模擬登入還得選別的技術，比如用內建瀏覽器引擎的爬蟲(關鍵詞：Selenium ，PhantomJS)，這個我們將在以後會學習到。