python爬虫(四)_urllib2：handle处理器和自定义opener
生活随笔
收集整理的這篇文章主要介紹了
python爬虫(四)_urllib2：handle处理器和自定义opener
小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.
opener和handleer
- 使用相關(guān)的Handler處理器來創(chuàng)建特定功能的處理器對象；
- 然后通過urllib2.build_opener()方法來使用這些處理器對象，創(chuàng)建自定義opener對象；
- 使用自定義的opener對象，調(diào)用open()方法來發(fā)送請求。
簡單的自定義opener()
#-*- coding:utf-8 -*- #12.urllib2_opener.pyimport urllib2#構(gòu)建一個HTTPHandler處理器 http_handler = urllib2.HTTPHandler();#調(diào)用urllib2.build_opener()方法，創(chuàng)建支持處理HTTP請求的opener opener = urllib2.build_opener(http_handler)#構(gòu)建Request請求 request = urllib2.Request("http://www.baidu.com")#調(diào)用自定義的opener對象的open()方法，發(fā)送request請求 response = opener.open(request)#獲取服務(wù)器響應內(nèi)容 print(response.read())這種方式發(fā)送請求得到的結(jié)果，和使用urllib2.urlopen()發(fā)送HTTP/HTTPS請求得到的結(jié)果是一樣的。
如果在HTTPHandler()括號里面增加debuglevel=1參數(shù)，還會將Debug Log打開，這樣程序在執(zhí)行的時候，會把收包和發(fā)包的報頭在屏幕上自動打印出來，方便調(diào)試，有時可以省去抓包的工作。
#僅需要修改的代碼部分： # 構(gòu)建一個HTTPHandler 處理器對象，支持處理HTTP請求，同時開啟Debug Log，debuglevel 值默認 0 http_handler = urllib2.HTTPHandler(debuglevel=1)?
ProxyHandler處理器(代理設(shè)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(wǎng)站會檢測某一段時間某個IP的訪問次數(shù)(通過流量統(tǒng)計，系統(tǒng)日志等)，如果訪問字數(shù)多的不像正常人，它會禁止這個IP的訪問。
所以我們可以設(shè)置一些代理服務(wù)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(xù)爬取。
urllib2中通過ProxyHandler來設(shè)置使用代理服務(wù)器，下面代碼說明如何使用自定義opener來使用代理：
#-*- coding:utf-8 -*- #urllib2_proxyhandler.pyimport urllib2#構(gòu)建了兩個代理Handler,一個有代理IP,一個沒有代理IP httpproxy_handler = urllib2.ProxyHandler({"http":"120.76.55.49:8088"}) nullproxy_handler = urllib2.ProxyHandler({})proxyswitch = True #定義一個代理開關(guān)#通過urllib2.build_opener()方法使用這些代理Handler對象，創(chuàng)建自定義openerif proxyswitch:opener = urllib2.build_opener(httpproxy_handler) else:opener = urllib2.build_opener(nullproxy_handler)request = urllib2.Request("http://www.baidu.com/")#1.如果這么寫，只有使用opener.open()方法發(fā)送請才使用自定義的代理，而urlopen()使用自定義代理 response = opener.open(request)#2.如果這么寫，就是opener應用到全局，之后所有的，不管是opener.open()還是urlopen()發(fā)送請求，都將使用自定義代理 # urllib2.install_opener(opener) # response = urllib2.urlopen(request)print(response.read())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(wǎng)站上收集上收集這些免費代理，測試后如果可以用，就把它收集起來用在爬蟲上面。
免費短期代理網(wǎng)站舉例：
西刺免費代理IP
快代理免費代理
Proxy360代理
全網(wǎng)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(wǎng)站。
#-*- coding:utf-8 -*- #14.urllib2_proxylisthandler.pyimport urllib2 import randomproxy_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) #使用選擇的代理創(chuàng)建一個代理處理器 proxy_handler = urllib2.ProxyHandler(proxy)opener = urllib2.build_opener(proxy_handler)urllib2.install_opener(opener)request = urllib2.Request("http://www.baidu.com/") response = opener.open(request)print(response.read())但是，這些免費開放代理一般會有很多人都在使用，而且代理壽命短、速度慢，匿名度不高，HTTP/HTTPS支持不穩(wěn)定等缺點(免費沒好貨)。
但是，專業(yè)爬蟲工程師或爬蟲公司會使用高品質(zhì)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(quán)使用(舍不得孩子討不到狼)
HTTPPasswordMgrWithDefaultRealm()
HTTPPasswordMgrWithDefaultRealm()類創(chuàng)建一個密碼管理對象，用來保存HTTP請求相關(guān)的用戶名和密碼，主要應用兩個場景：
1. 驗證代理授權(quán)的用戶名和密碼(ProxyBasicAuthHandler())
2. 驗證web客戶端的用戶名和密碼(HTTPBasicAuthHandler())
ProxyBasicAuthHandler(代理授權(quán)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：
urllib2.HTTPError:HTTP Error 407：Proxy Authentication Required所以我們需要改寫代碼，通過：
- HTTPPasswordMgrWithDefaultRealm()：來保存私密代理的用戶密碼
- ProxyBasicAuthHandler()：來處理代理的身份。
HTTPBasicAuthHandler處理器(Web客戶端授權(quán)驗證)
有些Web服務(wù)器(包括HTTP/FTP等)訪問時，需要進行用戶身份驗證，爬蟲直接訪問會報HTTP 401錯誤，表示訪問身份未經(jīng)授權(quán)：
urllib2.HTTPError:HTTP Error 401:Unauthorized如果我們有客戶端的用戶名和密碼，我們可以通過下面的方法去訪問爬取：
# -*- coding:utf-8 -*- import urllib import urllib2#用戶名 user = "test"#密碼 passwd = "123456"＃web服務(wù)器IP webserver = "18.123.123.1:16354"#1. 構(gòu)建一個用戶密碼管理對象，用來保存需要處理的用戶密碼 passmgr = urllib2.HTTPPasswordMgrWithDefaultRealm()#2. 添加賬戶信息，第一個參數(shù)是realm與遠程服務(wù)器相關(guān)的域消息，一般沒人管都是寫None,后面三個參數(shù)分別是服務(wù)器，用戶名，密碼 passmgr.add_password(None, webserver, user, passwd)#3.構(gòu)建一個Http基礎(chǔ)用戶名/密碼驗證的HTTPBasicAuthHandler處理器對象，參數(shù)是創(chuàng)建的密碼管理對象 httpauth_handler = urllib2.HTTPBasicAuthHandler(passmgr)#4.通過build_opener()方法使用這些代理handler對象，創(chuàng)建自定義的opener對象，參數(shù)是創(chuàng)建的httpauth_handler opener = urllib2.build_opener(httpauth_handler)#5.可以選擇通過install_opener()方法定義全局opener urllib2.install_opener(opener)#6.構(gòu)建request對象 request = urllib2.Request("http://www.baidu.com/")#7.定義opener為全局opener后，可直接使用urlopen()請求 response = urllib2.urlopen(request)#8.打印回應 print(response.read())Cookie
Cookie是指某些網(wǎng)站服務(wù)器為了辯護用戶身份和進行Session，而存儲在用戶瀏覽器上的文本文件，Cookie可以保持登陸信息到用戶下次與服務(wù)器的會話。
Cookie原理
HTTP是無狀態(tài)的面向連接的協(xié)議，為了保持連接狀態(tài)，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的作用路徑(Path) Cookie所在域名(Domain), 使用Cookie進行安全連接(Secure)。 前兩個參數(shù)是Cookie應用的必要條件，另外，還?；?span id="ze8trgl8bvbq" class="hljs-selector-tag">Cookie大小(size, 不同瀏覽器對Cookie個數(shù)及大小限制是有差異的)Cookie由變量名和值組成，根據(jù)Netscape公司的規(guī)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斷注冊用戶是否已經(jīng)登錄網(wǎng)站，用戶可能會得到提示，是否在下一次進入此網(wǎng)站時保留用戶信息以便簡化登錄手續(xù)。
#-*- coding:utf-8 -*- #16.urllib2_cookie.py#獲取一個有登陸信息的Cookie模擬登陸import urllib2#1.構(gòu)建一個已經(jīng)登陸過的用戶的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",# 便于終端閱讀，表示不支持壓縮文件# Accept-Encoding: gzip, deflate, sdch,# 重點：這個Cookie是保存了密碼無需重復登錄的用戶的Cookie，這個Cookie里記錄了用戶名，密碼(通常經(jīng)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; 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.通過headers里的報頭信息(主要是Cookie信息)，構(gòu)建request對象 request = urllib2.Request("http://www.renren.com", headers = hreaders)#3.直接訪問人人主頁，服務(wù)器會根據(jù)headers信息(主要是Cookie信息),判斷是否是一個已經(jīng)登陸的用戶，并返回相應的頁面 response = urllib2.urlopen(request)#4.打印響應內(nèi)容 print(response.read())但是這樣做太過復雜，我們先需要在瀏覽器登錄賬戶，并且設(shè)置保存密碼，并且通過抓包才能獲取這個Cookie，那么有更簡單方便的方法呢？
cookielib庫 和 HTTPCookieProcessor處理器
在Python處理Cookie,一般是通過cookielib模塊和urllib2模塊的HTTPCookieProcessor處理器一起使用
cookielib模塊：主要作用是提供用戶存儲cookie的對象
HTTPCoolieProcessor處理器：主要作用是處理這些cookie對象，并構(gòu)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(nèi)存中，對CookieJar實例進行垃圾回收后cookie也將丟失。
- FileCookieJar(filename,delayload=None,policy=None)：從CookieJar派生而來，用來創(chuàng)建FileCookieJar實例，檢索cookie信息并將cookie存儲到文件中。filename是存儲cookie的文件名。delayload為True時支持延遲訪問文件，即只有在需要時才讀取文件或在文件中存儲數(shù)據(jù)。
- MozillaCookieJar(filename, delayload=None, policy=None)：從FileCookieJar派生而來，創(chuàng)建與Mozilla瀏覽器 cookies.txt兼容的FileCookieJar實例。
- LWPCookieJar(filename, delay=None, policy=None)：從FileCookieJar派生而來，創(chuàng)建與libwww-perl標準的Set-Cookie3文件格式兼容的FileCookieJar實例。
其實大多數(shù)情況下，我們只用CookieJar(),如果需要和本地文件交互，就用MozillaCookieJar()或LWPCookieJar()
我們來做幾個案例：
- 獲取Cookie,并保存到CookieJar()對象中
我們使用以上方法將Cookie保存到cookiejar對象中，然后打印出了cookie中的值，也就是訪問百度首頁的Cookie值。
運行結(jié)果如下：
- 訪問網(wǎng)站獲得cookie，并把獲得的cookie保存在cookie文件中
利用cookielib和post登陸人人網(wǎng)
import urllib import urllib2 import cookielib# 1. 構(gòu)建一個CookieJar對象實例來保存cookie cookie = cookielib.CookieJar()# 2. 使用HTTPCookieProcessor()來創(chuàng)建cookie處理器對象，參數(shù)為CookieJar()對象 cookie_handler = urllib2.HTTPCookieProcessor(cookie)# 3. 通過 build_opener() 來構(gòu)建opener opener = urllib2.build_opener(cookie_handler)# 4. addheaders 接受一個列表，里面每個元素都是一個headers信息的元祖, opener將附帶headers信息 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. 需要登錄的賬戶和密碼 data = {"email":"mr_mao_hacker@163.com", "password":"alaxxxxxime"} # 6. 通過urlencode()轉(zhuǎn)碼 postdata = urllib.urlencode(data)# 7. 構(gòu)建Request請求對象，包含需要發(fā)送的用戶名和密碼 request = urllib2.Request("http://www.renren.com/PLogin.do", data = postdata)# 8. 通過opener發(fā)送這個請求，并獲取登錄后的Cookie值， opener.open(request) # 9. opener包含用戶登錄后的Cookie值，可以直接訪問那些登錄后才可以訪問的頁面 response = opener.open("http://www.renren.com/410043129/profile") # 10. 打印響應內(nèi)容 print response.read()模擬登陸要注意幾點：
- 登陸一般都會先有一個HTTP GET，用于拉取一些信息及獲得Cookie,然后再HTTP POST登陸
- HTTP POST登陸的鏈接有可能是動態(tài)的，從GET返回的信息中獲取。
- password有些是明文發(fā)送給，有些是加密后發(fā)送。有些網(wǎng)站甚至采用動態(tài)加密的，同時包括了很多其他數(shù)據(jù)的加密信息，只能通過查看JS源碼獲得加密算法，再去破解加密，非常困難。
- 大多數(shù)網(wǎng)站的登陸整體流程是類似的，可能有些細節(jié)一些，所以不能保證其他網(wǎng)站登陸成功。
這個測試案例中，為了讓大家快速理解知識點，我們使用的人人網(wǎng)登陸接口是人人網(wǎng)改版前的隱藏接口(噓...),登陸比較方便。
當然，我們也可以直接發(fā)送賬號密碼到登陸界面模擬登陸，但是當網(wǎng)頁采用JavaScript動態(tài)技術(shù)以后，想封鎖基于HttpClient的模擬登陸就太容易了，甚至可以根據(jù)你的鼠標活動的的特征準確地判斷出是不是真人在操作。
所以，想做通用的模擬登陸還是選別的技術(shù)，比如用內(nèi)置瀏覽器引擎的爬蟲(關(guān)鍵詞：Selenium, PyantomJS),這個我們將在以后會學習到。
轉(zhuǎn)載于:https://www.cnblogs.com/moying-wq/p/11569834.html
總結(jié)
以上是生活随笔為你收集整理的python爬虫(四)_urllib2：handle处理器和自定义opener的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Python爬虫(三)_urllib2:
- 下一篇： python爬虫(五)_urllib2：