python爬蟲學習筆記 1.9 （Handler處理器 和 自定義Opener）

Handler處理器 和 自定義Opener

• 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。

• 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）

簡單的自定義opener()

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HTTPHandler 處理器對象，支持處理HTTPS請求
# http_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)

# 獲取服務器響應內容
print (response.read().decode())

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。

# 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，同時開啓Debug Log，debuglevel 值默認 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，同時開啓Debug Log，debuglevel 值默認 0
https_handler = urllib.request.HTTPSHandler(debuglevel=1)

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。

urllib.request中通過ProxyHandler來設置使用代理服務器，下面代碼說明如何使用自定義opener來使用代理：

#urllib_proxy1.py

import urllib.request

# 構建了兩個代理Handler，一個有代理IP，一個沒有代理IP
httpproxy_handler = urllib.request.ProxyHandler({"http" : "124.88.67.81:80"})
nullproxy_handler = urllib.request.ProxyHandler({})

proxySwitch = True #定義一個代理開關

# 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
# 根據代理開關是否打開，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)

print (response.read().decode())

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對象
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())

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支持不穩定等缺點（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，再通過用戶名/密碼授權使用（捨不得孩子套不到狼）。

Cookie

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。

Cookie原理

HTTP是無狀態的面向連接的協議, 爲了保持連接狀態, 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（Size，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

Cookie應用

Cookies在爬蟲方面最典型的應用是判定註冊用戶是否已經登錄網站，用戶可能會得到提示，是否在下一次進入此網站時保留用戶信息以便簡化登錄手續。

# 獲取一個有登錄信息的Cookie模擬登陸

import urllib

# 1. 構建一個已經登錄過的用戶的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",
    "Referer":"http://www.renren.com/SysHome.do",
    # 便於終端閱讀，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複登錄的用戶的Cookie，這個Cookie裏記錄了用戶名，密碼(通常經過RAS加密)
    "Cookie": "anonymid=j3jxk555-nrn0wh; depovince=BJ; _r01_=1; JSESSIONID=abcnLjz9MSvBa-3lJK3Xv; ick=3babfba4-e0ed-4e9f-9312-8e833e4cb826; jebecookies=764bacbd-0e4a-4534-b8e8-37c10560770c|||||; ick_login=84f70f68-7ebd-4c5c-9c0f-d1d9aac778e0; _de=7A7A02E9254501DA6278B9C75EAEEB7A; p=91063de8b39ac5e0d2a57500de7e34077; first_login_flag=1; ln_uact=13146128763; ln_hurl=http://head.xiaonei.com/photos/0/0/men_main.gif; t=39fca09219c06df42604435129960e1f7; societyguester=39fca09219c06df42604435129960e1f7; id=941954027; xnsid=8868df75; ver=7.0; loginfrom=null; XNESSESSIONID=a6da759fe858; WebOnLineNotice_941954027=1; wp_fold=0"
}

# 2. 通過headers裏的報頭信息（主要是Cookie信息），構建Request對象
urllib.request.Request("http://www.renren.com/941954027#", headers = headers)

# 3. 直接訪問renren主頁，服務器會根據headers報頭信息（主要是Cookie信息），判斷這是一個已經登錄的用戶，並返回相應的頁面
response = urllib.request.urlopen(request)

# 4. 打印響應內容
print (response.read().decode())

但是這樣做太過複雜，我們先需要在瀏覽器登錄賬戶，並且設置保存密碼，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？

cookiejar庫 和 HTTPCookieProcessor處理器

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

cookiejar 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。
我們來做幾個案例：

1）獲取Cookie，並保存到CookieJar()對象中

# urllib_cookiejar_test1.py

import urllib
from http import cookiejar

# 構建一個CookieJar對象實例來保存cookie
cookiejar = cookiejar.CookieJar()

# 使用HTTPCookieProcessor()來創建cookie處理器對象，參數爲CookieJar()對象
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，訪問之後會自動保存cookie到cookiejar中
opener.open("http://www.baidu.com")

## 可以按標準格式將保存的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保存到cookiejar對象中，然後打印出了cookie中的值，也就是訪問百度首頁的Cookie值。
運行結果如下：

BAIDUID=4327A58E63A92B73FF7A297FB3B2B4D0:FG=1;BIDUPSID=4327A58E63A92B73FF7A297FB3B2B4D0;H_PS_PSSID=1429_21

利用cookiejar和post登錄人人網

import urllib
from http import cookiejar

# 1. 構建一個CookieJar對象實例來保存cookie
cookie = cookiejar.CookieJar()

# 2. 使用HTTPCookieProcessor()來創建cookie處理器對象，參數爲CookieJar()對象
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，裏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":"13****46**8763", "password":"****"}  

# 6. 通過urlencode()轉碼
postdata = urllib.parse.urlencode(data).encode()

# 7. 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)

# 8. 通過opener發送這個請求，並獲取登錄後的Cookie值，
opener.open(request)                                              

# 9. opener包含用戶登錄後的Cookie值，可以直接訪問那些登錄後纔可以訪問的頁面
response = opener.open("http://www.renren.com/410043129/profile")  

# 10. 打印響應內容
print (response.read().decode())

模擬登錄要注意幾點：

1.登錄一般都會先有一個HTTP GET，用於拉取一些信息及獲得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 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，可能有些細節不一樣，所以不能保證其他網站登錄成功。

這個測試案例中，爲了想讓大家快速理解知識點，我們使用的人人網登錄接口是人人網改版前的隱藏接口(噓…)，登錄比較方便。
當然，我們也可以直接發送賬號密碼到登錄界面模擬登錄，但是當網頁採用JavaScript動態技術以後，想封鎖基於 HttpClient 的模擬登錄就太容易了，甚至可以根據你的鼠標活動的特徵準確地判斷出是不是真人在操作。
所以，想做通用的模擬登錄還得選別的技術，比如用內置瀏覽器引擎的爬蟲(關鍵詞：Selenium ，PhantomJS)，這個我們將在以後會學習到。