爬蟲——Handler處理器 和 自定義Opener

来源:http://www.cnblogs.com/mayi0312/archive/2017/07/18/7201274.html
-Advertisement-
Play Games

我們之前一直都在使用的urlopen，這是一個特殊的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.使用相差的Handler處理器來創建特定功能的處理器對象； 2.然後通過urllib ...


我們之前一直都在使用的urlopen，這是一個特殊的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.使用相差的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，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。

如果程式里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對象定義為全局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）

簡單的自定義opener()

#!/usr/bin/python3
# -*- conding:utf-8 -*-
__author__ = 'mayi'

import urllib.request

# 構建一個HTTPHandler處理器對象，支持處理HTTP請求。
http_handler = urllib.request.HTTPHandler()
# # 構建一個HTTPSHandler處理器對象，支持處理HTTPS請求
# https_handler = urllib.request.HTTPSHandler()

# 調用urllib.request.build_opener()方法，創建支持處理HTTP請求的opener對象
opener = urllib.request.build_opener(http_handler)

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

# 調用自定義opener對象的open()方法，發送request請求
response = opener.open(request)

# 獲取伺服器響應內容
html = response.read()

print(html)

這種方式發送請求得到的結果，和使用urllib.request.urlopen()發送HTTP/HTTPS請求得到的結果是一樣的。

如果在HTTPHandler()增加debuglevel = 1參數，還會將Debug Log打開，這樣程式在執行的時候，會把收包和發包的報頭在屏幕上自動列印出來，方便調度，有時可以省去抓包的工作。

# 僅需要修改的代碼部分：

# 構建一個HTTPHandler 處理器對象，支持處理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HTTPHSandler 處理器對象，支持處理HTTPS請求，同時開啟Debug Log，debuglevel 值預設 0
https_handler = urllib.request.HTTPSHandler(debuglevel = 1)

ProxyHandler處理器（IP代理設置）

很多網站會檢測某一段時間IP的訪問次數（通過流量統計、系統日誌等），如果某個IP訪問次數多的不像正常人，它會禁止這個IP的訪問。

所以我們通常可以設置一些代理伺服器，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.request中通過ProxyHandler來設置使用代理伺服器，下麵代碼說明如何使用自定義opener來使用代理：

#!/usr/bin/python3
# -*- conding:utf-8 -*-
__author__ = 'mayi'

"""
ProxyHandler處理器（代理設置）
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。
所以我們可能通過設置一些代理伺服器，每隔一段時間換一個代理IP，就算IP被禁
止，我們依然可以換個IP繼續爬取。
"""

import urllib.request

# 構建了兩個代理Handler，一個有代理IP，一個沒有代理IP
http_proxy_handler = urllib.request.ProxyHandler({"http":"222.33.192.238:8118"})
null_proxy_handler = urllib.request.ProxyHandler({})

# 定義一個代理開關
proxy_switch = True

# 根據代理開關是否拱形，使用不同的代理模式
# 通過urllib.request.build_opener()方法使用這些代理Handler對象，創建自定義opener對象
if proxy_switch:
    opener = urllib.request.build_opener(http_proxy_handler)
else:
    opener = urllib.request.build_opener(null_proxy_handler)

request = urllib.request.Request("http://www.baidu.com/")
# 1. 如果這麼寫，只有使用opener.open()方法發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應用到全局，之後所有的，不管是opener.open()還是urlopen() 發送請求，都將使用自定義代理。
# urllib.request.install_opener(opener)
# response = urlopen(request)
html = response.read()

print(html)

免費的開放代理獲取基本沒有什麼成本，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，就可以讓程式隨機獲取一個代理IP去訪問網站。

import random

proxy_list = [
    {"http" : "1.85.220.77:8118"},
    {"http" : "110.73.6.57:8123"},
    {"http" : "171.39.4.8:8123"},
    {"http" : "122.244.53.133:808"},
    {"http" : "171.39.75.81:8123"}
]

# 隨機選擇一個代理
proxy = random.choice(proxy_list)

但是，這些免費開放的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支持不穩定等缺點。

所以，要根據自己的需求，選擇是否需要使用高品質的私密代理（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）。

Cookie

Cookie是指某些網站伺服器為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伺服器的會話。

Cookie原理

HTTP是無狀態的面向連接的協議，為了保持連接狀態，引入了Cookie機制，Cookie是HTTP消息頭中的一種屬性,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所在功能變數名稱（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（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；SECURE

http.cookiejar庫和HTTPCookieProcessor處理器

在Python3.x處理Cookie，一般是通過http.cookjar模塊和urllib.request模塊的HTTPCookieProcessor處理器類一起使用。

http.cookjar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。

http.cookjar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都存儲在記憶體中，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為True時支持延遲訪問訪問文件，即只有在需要時才讀取文件或文件中存儲數據。
  • MozillaCookieJar(filename, delayload = None, policy = None)：從FileCookieJar派生而來，創建與Mozilla瀏覽器cookies.txt相容的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文件格式相容的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MozillaCookiejar()或LWPCookieJar()

案例：利用http.cookiejar和post登錄人人網

#!/usr/bin/python3
# -*- conding:utf-8 -*-
__author__ = 'mayi'

"""
利用http.cookiejar和post登錄人人網
url = "http://www.renren.com/PLogin.do"
"""

import urllib
import urllib.request
import http.cookiejar

# 構建一個CookieJar對象實例來保存cookie
cookie = http.cookiejar.CookieJar()
# 使用HTTPCookieProcessor()來創建cookie處理器對象，參數為CookieJar()對象
cookie_handler = urllib.request.HTTPCookieProcessor(cookie)
# 通過build_opener()來構建opener
opener = urllib.request.build_opener(cookie_handler)
# 設置User-Agent頭：addheaders接受一個列表，裡面每個元素都是一個headers信息的元組，opener將附帶headers信息
opener.addheaders  = [('User-Agent', 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36')]
# 需要登錄的賬戶和密碼
email = input("請輸入您的賬戶：")
password = input("請輸入您的密碼：")
data = {"email": email, "password": password}
# 通過urlencode()轉碼
postdata = urllib.parse.urlencode(data)
postdata = postdata.encode(encoding = "utf-8")  # str轉bytes
# 構建Request請求對象，包含需要發送的用戶名和密碼
request = urllib.request.Request("http://www.renren.com/PLogin.do", data = postdata)
# 通過opener發送這個請求，並獲取登錄後的Cookie值
opener.open(request)
# opener包含用戶登錄後的Cookie值，可以直接訪問那些登錄後才可以訪問的頁面
response = opener.open("http://www.renren.com/413928886/profile")
# 獲取頁面內容
html = response.read()
# 將頁面內容存儲至本地磁碟
fo = open("renren.html", "wb")
fo.write(html)
fo.close()

模擬登錄要註意幾點：

  1. 登錄一般都會先有一個HTTP GET，用於獲取一些信息及獲得Cookie，然後再HTTP POST登錄。
  2. HTTP POST登錄的鏈接有可能是動態的，從GET返回的信息中獲取。
  3. password（密碼）有些是明文發送，有些是加密後發送。有些網站甚至採用動態加密的，同時包括了很多其他數據的加密信息，只能通過查看JS源碼獲得加密演算法，再去破解加密，非常困難。
  4. 大多數網站的登錄整體流程是類似的，可能部分細節不一樣，所以其他網站登錄時，需根據具體情況，作對應的修改。

您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 談談HashMap與HashTable
    談談HashMap與HashTable HashMap 我們一直知道HashMap是非線程安全的，HashTable是線程安全的，可這是為什麼呢？先聊聊HashMap吧，想要瞭解它為什麼是非線程安全的，我們得從它的原理著手。 jdk7中的HashMap HashMap底層維護一個數組，數組中的每一項 ...
  • Java全棧工程師知識體系介紹
    Java全棧工程師，是指掌握多種技能，並能利用多種技能獨立完成產品的人，也叫全端工程師(同時具備前端和後臺能力)，英文Full Stack developer。 那麼想要成為一名合格的Java全棧工程師需要掌握哪些知識呢？ 今天就在這裡總結一下知識體系： 最後，我想引用一位老師的一句話：電腦編程行 ...
  • Java數組的一些使用方法及堆棧存儲
    數組 用於存儲一組同一數據類型數據的容器 數組會對放入其中的數據自動編號，編號是從0開始的 下標 定義格式 數據類型[] 數組名 = new 數據類型[數組的大小]; 可以先聲明再初始化 int[] arr = new int[5]; 定義了一個最多能存儲5的整數的數組 arr[3] = 4; ar ...
  • spyder常用快捷鍵
    最近在學習tensorflow框架，在ubuntu下用到python的一個ide --spyder，以下是常用快捷鍵 Ctrl+1:註釋/撤銷註釋 Ctrl+4/5:塊註釋/撤銷塊註釋 Ctrl+L:跳轉到行號 F5:運行 F11:全屏 Tab:空行前是代碼縮進；在輸入一個字母後，按Tab健會自動補 ...
  • shiro的SecurityManager類結構
    (一) shiro的SecurityManager類結構為： 總結： 1.SecurityManager主要作用於登錄、登出用創建主題Subject,並繼承自Authenticator身份驗證器和許可權驗證器和sessionManager，這些介面不對外開放，shiro本身自己調用，客戶端使用應該使用 ...
  • 單調隊列初步——轉載自“he-honghua的專欄”
    http://blog.csdn.net/justmeh/article/details/5844650 ...
  • 工作中的第一個小問題
    工作3個月，第一次加入純後臺的程式改造，程式中，業務流程是有n個確定的對數據檢測項，檢測項有個開關，開了就檢測blablabla，每個檢測項為一個類，內方法不是static。 在原程式中流程為：對所有檢測項目用if判斷其是否為打開，然後實例化，調用方法。這樣的代碼重覆挺多的，能有上500行了，除了各 ...
  • Python json與pickle
    這是用於序列化的兩個模塊： • json: 用於字元串和python數據類型間進行轉換 • pickle： 用於python特有的類型和python的數據類型間進行轉換 Json模塊提供了四個功能：dumps、dump、loads、load pickle模塊提供了四個功能：dumps、dump、lo ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發（一）：使用.NET MAUI開發第一個安卓APP
    移動開發（一）：使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說，近來想嘗試開發一款安卓APP，考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP，畢竟是使用Visual Studio開發工具，使用起來也比較的順手，結合微軟官方的教程進行了安卓 ...
  • wpf ToggleButton選中效果和一個登錄界面
    前言 QuestPDF 是一個開源 .NET 庫，用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫，它徹底改變了我們生成 PDF 文檔的方 ...
  • 彈幕樹洞項目功能新增篇
    項目地址 項目後端地址： https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址： ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址： http://tree ...
  • 第27篇 sqlserver2022詳細安裝步驟
    話不多說，直接開乾 一.下載 1.官方鏈接下載： https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe，運行開始下載SQL server； 二. ...
  • .NET 開源高性能 MQTT 類庫
    前言 隨著物聯網（IoT）技術的迅猛發展，MQTT（消息隊列遙測傳輸）協議憑藉其輕量級和高效性，已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫，為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog文檔翻譯系列（六） - 可用的接收器、增強器、格式化輸出
    Serilog支持多種接收器用於日誌存儲，增強器用於添加屬性，LogContext管理動態屬性，支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項，適用於不同需求。 ...
  • 警惕 Visual Studio 屬性求值副作用導致邏輯不符合預期
    目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據，爬取信息時需要模擬瀏覽器行為，否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下： 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • [使用目前最新版]HybridCLR6.9.0+YooAsset2.2.4實現純C# Unity熱更新方案 (一)
    1.前言 什麼是熱更新 游戲或者軟體更新時，無需重新下載客戶端進行安裝，而是在應用程式啟動的情況下，在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR，Xlua，ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles，Addressable， ...
  • 在 ASP.NET Core Web API 中使用操作篩選器統一處理通用操作
    本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺，其實像阿裡雲，騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後，它會送 ...
  • 第28篇 如何.net中實現高效可靠數據同步api
    通過以下方式可以高效，並保證數據同步的可靠性 1.API設計 使用RESTful設計，確保API端點明確，並使用適當的HTTP方法（如POST用於創建，PUT用於更新）。 設計清晰的請求和響應模型，以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證，確保接收到的數據符合預期格 ...
所有分類