Handler處理器 和 自定義Opener

1. 概述

opener是 urllib2.OpenerDirector 的實(shí)例关面，我們之前一直都在使用的urlopen更啄，它是一個(gè)特殊的opener（也就是模塊幫我們構(gòu)建好的）晦雨。

但是基本的urlopen()方法不支持代理、Cookie等其他的 HTTP/HTTPS高級(jí)功能掂摔。所以要支持這些功能：

使用相關(guān)的Handler處理器來(lái)創(chuàng)建特定功能的處理器對(duì)象惶翻；

然后通過(guò)urllib2.build_opener()方法使用這些處理器對(duì)象，創(chuàng)建自定義opener對(duì)象膝蜈；

使用自定義的opener對(duì)象锅移，調(diào)用open()方法發(fā)送請(qǐng)求。

注意：如果程序里所有的請(qǐng)求都使用自定義的opener饱搏，可以使用urllib2.install_opener()將自定義的 opener 對(duì)象 定義為 全局opener非剃，表示如果之后凡是調(diào)用urlopen，都將使用這個(gè)opener（根據(jù)自己的需求來(lái)選擇）推沸。

2. 簡(jiǎn)單的自定義openner()

importurllib2

# 構(gòu)建一個(gè)HTTPHandler 處理器對(duì)象备绽，支持處理HTTP請(qǐng)求http_handler = urllib2.HTTPHandler()

# 調(diào)用urllib2.build_opener()方法，創(chuàng)建支持處理HTTP請(qǐng)求的opener對(duì)象

opener = urllib2.build_opener(http_handler)

# 構(gòu)建 Request請(qǐng)求request = urllib2.Request("http://www.baidu.com/")

# 調(diào)用自定義opener對(duì)象的open()方法坤学，發(fā)送request請(qǐng)求

# （注意區(qū)別：不再通過(guò)urllib2.urlopen()發(fā)送請(qǐng)求）

response = opener.open(request)# 獲取服務(wù)器響應(yīng)內(nèi)容printresponse.read()

這種方式發(fā)送請(qǐng)求得到的結(jié)果疯坤，和使用urllib2.urlopen()發(fā)送HTTP/HTTPS請(qǐng)求得到的結(jié)果是一樣的。

如果在 HTTPHandler()增加debuglevel=1參數(shù)深浮，還會(huì)將 Debug Log 打開(kāi)压怠，這樣程序在執(zhí)行的時(shí)候，會(huì)把收包和發(fā)包的報(bào)頭在屏幕上自動(dòng)打印出來(lái)飞苇，方便調(diào)試菌瘫，有時(shí)可以省去抓包的工作蜗顽。

# 僅需要修改的代碼部分：

# 構(gòu)建一個(gè)HTTPHandler 處理器對(duì)象，支持處理HTTP請(qǐng)求雨让，同時(shí)開(kāi)啟Debug Log雇盖，debuglevel 值默認(rèn) 0

http_handler = urllib2.HTTPHandler(debuglevel=1)

# 構(gòu)建一個(gè)HTTPHSandler 處理器對(duì)象，支持處理HTTPS請(qǐng)求栖忠，同時(shí)開(kāi)啟Debug Log崔挖，debuglevel 值默認(rèn) 0

https_handler = urllib2.HTTPSHandler(debuglevel=1)

3. ProxyHandler處理器（代理設(shè)置）

使用代理IP，這是爬蟲(chóng)/反爬蟲(chóng)的第二大招庵寞，通常也是最好用的狸相。

很多網(wǎng)站會(huì)檢測(cè)某一段時(shí)間某個(gè)IP的訪問(wèn)次數(shù)(通過(guò)流量統(tǒng)計(jì)，系統(tǒng)日志等)捐川，如果訪問(wèn)次數(shù)多的不像正常人脓鹃，它會(huì)禁止這個(gè)IP的訪問(wèn)。

所以我們可以設(shè)置一些代理服務(wù)器古沥，每隔一段時(shí)間換一個(gè)代理瘸右，就算IP被禁止，依然可以換個(gè)IP繼續(xù)爬取岩齿。

urllib2中通過(guò)ProxyHandler來(lái)設(shè)置使用代理服務(wù)器太颤，下面代碼說(shuō)明如何使用自定義opener來(lái)使用代理：

#urllib2_proxy1.py

import urllib2

# 構(gòu)建了兩個(gè)代理Handler，一個(gè)有代理IP纯衍，一個(gè)沒(méi)有代理IP

httpproxy_handler = urllib2.ProxyHandler({"http" : "124.88.67.81:80"})

nullproxy_handler = urllib2.ProxyHandler({})

proxySwitch = True #定義一個(gè)代理開(kāi)關(guān)

# 通過(guò) urllib2.build_opener()方法使用這些代理Handler對(duì)象栋齿，創(chuàng)建自定義opener對(duì)象

# 根據(jù)代理開(kāi)關(guān)是否打開(kāi)，使用不同的代理模式

if proxySwitch:

opener = urllib2.build_opener(httpproxy_handler)

else:

opener = urllib2.build_opener(nullproxy_handler)

request = urllib2.Request("http://www.baidu.com/")

# 1. 如果這么寫襟诸，只有使用opener.open()方法發(fā)送請(qǐng)求才使用自定義的代理瓦堵，而urlopen()則不使用自定義代理。

response = opener.open(request)

# 2. 如果這么寫歌亲，就是將opener應(yīng)用到全局菇用，之后所有的，不管是opener.open()還是urlopen() 發(fā)送請(qǐng)求陷揪，都將使用自定義代理惋鸥。

# urllib2.install_opener(opener)

# response = urlopen(request)

print response.read()

4.?HTTPPasswordMgrWithDefaultRealm()

HTTPPasswordMgrWithDefaultRealm()類將創(chuàng)建一個(gè)密碼管理對(duì)象，用來(lái)保存 HTTP 請(qǐng)求相關(guān)的用戶名和密碼悍缠，主要應(yīng)用兩個(gè)場(chǎng)景：

<1>驗(yàn)證代理授權(quán)的用戶名和密碼 (ProxyBasicAuthHandler())

<2>驗(yàn)證Web客戶端的的用戶名和密碼 (HTTPBasicAuthHandler())

ProxyBasicAuthHandler(代理授權(quán)驗(yàn)證)(建議使用)

如果我們使用之前的代碼來(lái)使用私密代理卦绣，會(huì)報(bào) HTTP 407 錯(cuò)誤，表示代理沒(méi)有通過(guò)身份驗(yàn)證：

urllib2.HTTPError: HTTP Error 407: Proxy Authentication Required

所以我們需要改寫代碼飞蚓，通過(guò)：

<1>HTTPPasswordMgrWithDefaultRealm()：來(lái)保存私密代理的用戶密碼

<2>ProxyBasicAuthHandler()：來(lái)處理代理的身份驗(yàn)證滤港。

HTTPBasicAuthHandler處理器（Web客戶端授權(quán)驗(yàn)證）

有些Web服務(wù)器（包括HTTP/FTP等）的有些頁(yè)面并不想提供公共訪問(wèn)權(quán)限，或者某些頁(yè)面不希望公開(kāi)趴拧，但是可以讓特定的客戶端訪問(wèn)溅漾。那么用戶在訪問(wèn)時(shí)會(huì)要求進(jìn)行身份認(rèn)證山叮。

爬蟲(chóng)直接訪問(wèn)會(huì)報(bào)HTTP 401 錯(cuò)誤，表示訪問(wèn)身份未經(jīng)授權(quán)：

urllib2.HTTPError: HTTP Error 401: Unauthorized

from urllib import request

# 用戶名

user = "Test"

# 密碼

passwd = "123456"

# Web服務(wù)器 IP

webserver = "http://192.168.105.29"

# 1. 構(gòu)建一個(gè)密碼管理對(duì)象添履，用來(lái)保存需要處理的用戶名和密碼

passwdmgr = request.HTTPPasswordMgrWithDefaultRealm()

# 2. 添加賬戶信息屁倔，第一個(gè)參數(shù)realm是與遠(yuǎn)程服務(wù)器相關(guān)的域信息，一般沒(méi)人管它都是寫None暮胧，后面三個(gè)參數(shù)分別是 Web服務(wù)器锐借、用戶名、密碼

passwdmgr.add_password(None, webserver, user, passwd)

# 3. 構(gòu)建一個(gè)HTTP基礎(chǔ)用戶名/密碼驗(yàn)證的HTTPBasicAuthHandler處理器對(duì)象叔壤，參數(shù)是創(chuàng)建的密碼管理對(duì)象

httpauth_handler = request.HTTPBasicAuthHandler(passwdmgr)

# 4. 通過(guò) build_opener()方法使用這些代理Handler對(duì)象瞎饲，創(chuàng)建自定義opener對(duì)象，參數(shù)包括構(gòu)建的 proxy_handler

opener = request.build_opener(httpauth_handler)

# 5. 可以選擇通過(guò)install_opener()方法定義opener為全局opener

request.install_opener(opener)

# 6. 構(gòu)建 Request對(duì)象

req = request.Request("http://192.168.105.29")

# 7. 定義opener為全局opener后炼绘，可直接使用urlopen()發(fā)送請(qǐng)求

response = request.urlopen(req)

# 8. 打印響應(yīng)內(nèi)容

print(response.read())

5. Cookie

5.1 概述

HTTP是無(wú)狀態(tài)的面向連接的協(xié)議，服務(wù)器和客戶端的交互僅限于請(qǐng)求/響應(yīng)過(guò)程妄田，結(jié)束之后便斷開(kāi)俺亮，在下一次請(qǐng)求時(shí)，服務(wù)器會(huì)認(rèn)為新的客戶端疟呐。為了維護(hù)他們之間的鏈接脚曾，讓服務(wù)器知道這是之前某個(gè)用戶發(fā)送的請(qǐng)求，則必須在一個(gè)地方保存客戶端的信息启具。

Cookie：通過(guò)在 客戶端 記錄的信息確定用戶的身份本讥。

Session：通過(guò)在 服務(wù)器端 記錄的信息確定用戶的身份。

Cookie 是指某些網(wǎng)站服務(wù)器為了辨別用戶身份和進(jìn)行Session跟蹤鲁冯，而儲(chǔ)存在用戶瀏覽器上的文本文件拷沸，Cookie可以保持登錄信息到用戶下次與服務(wù)器的會(huì)話。

5.2 Cookie屬性

Cookie是http請(qǐng)求報(bào)頭中的一種屬性薯演，包括：

Cookie名字（Name）

Cookie的值（Value）

Cookie的過(guò)期時(shí)間（Expires/Max-Age）

Cookie作用路徑（Path）

Cookie所在域名（Domain）撞芍，

使用Cookie進(jìn)行安全連接（Secure）。

前兩個(gè)參數(shù)是Cookie應(yīng)用的必要條件跨扮，另外序无，還包括Cookie大小（不同瀏覽器對(duì)Cookie個(gè)數(shù)及大小限制是有差異的）衡创。

Cookie由變量名和值組成帝嗡，根據(jù) Netscape公司的規(guī)定，Cookie格式如下：

Set－Cookie: NAME=VALUE璃氢；Expires=DATE哟玷；Path=PATH；Domain=DOMAIN_NAME拔莱；SECURE

5.3 cookie應(yīng)用

Cookies在爬蟲(chóng)方面最典型的應(yīng)用是判定注冊(cè)用戶是否已經(jīng)登錄網(wǎng)站碗降，在下一次進(jìn)入此網(wǎng)站時(shí)保留用戶信息隘竭，可以簡(jiǎn)化登錄或其他驗(yàn)證過(guò)程。

# 獲取一個(gè)有登錄信息的Cookie模擬登陸

import urllib2

# 1. 構(gòu)建一個(gè)已經(jīng)登錄過(guò)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",

# 便于終端閱讀讼渊，表示不支持壓縮文件

# Accept-Encoding: gzip, deflate, sdch,

# 重點(diǎn)：這個(gè)Cookie是一個(gè)保存了用戶登錄狀態(tài)的Cookie

"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(guò)headers里的報(bào)頭信息（主要是Cookie信息）动看，構(gòu)建Request對(duì)象

urllib2.Request("http://www.renren.com/", headers = headers)

# 3. 直接訪問(wèn)renren主頁(yè)，服務(wù)器會(huì)根據(jù)headers報(bào)頭信息（主要是Cookie信息）爪幻，判斷這是一個(gè)已經(jīng)登錄的用戶菱皆，并返回相應(yīng)的頁(yè)面

response = urllib2.urlopen(request)

# 4. 打印響應(yīng)內(nèi)容

print response.read()

5.3 cookielib庫(kù) 和 HTTPCookieProcessor處理器

在Python處理Cookie，一般是通過(guò)cookielib模塊和 urllib.request模塊的HTTPCookieProcessor處理器類一起使用挨稿。

cookielib模塊：主要作用是提供用于存儲(chǔ)cookie的對(duì)象

HTTPCookieProcessor處理器：主要作用是處理這些cookie對(duì)象仇轻，并構(gòu)建handler對(duì)象。

cookielib 庫(kù)

該模塊主要的對(duì)象有CookieJar奶甘、FileCookieJar篷店、MozillaCookieJar、LWPCookieJar臭家。

CookieJar：管理HTTP cookie值疲陕、存儲(chǔ)HTTP請(qǐng)求生成的cookie、向傳出的HTTP請(qǐng)求添加cookie的對(duì)象钉赁。整個(gè)cookie都存儲(chǔ)在內(nèi)存中蹄殃，對(duì)CookieJar實(shí)例進(jìn)行垃圾回收后cookie也將丟失。

FileCookieJar (filename,delayload=None,policy=None)：從CookieJar派生而來(lái)你踩，用來(lái)創(chuàng)建FileCookieJar實(shí)例诅岩，檢索cookie信息并將cookie存儲(chǔ)到文件中。filename是存儲(chǔ)cookie的文件名带膜。delayload為True時(shí)支持延遲訪問(wèn)訪問(wèn)文件吩谦，即只有在需要時(shí)才讀取文件或在文件中存儲(chǔ)數(shù)據(jù)。

MozillaCookieJar (filename,delayload=None,policy=None)：從FileCookieJar派生而來(lái)钱慢，創(chuàng)建與Mozilla瀏覽器 cookies.txt兼容的FileCookieJar實(shí)例逮京。

LWPCookieJar (filename,delayload=None,policy=None)：從FileCookieJar派生而來(lái)，創(chuàng)建與libwww-perl標(biāo)準(zhǔn)的 Set-Cookie3 文件格式兼容的FileCookieJar實(shí)例束莫。

其實(shí)大多數(shù)情況下懒棉，我們只用CookieJar()，如果需要和本地文件交互览绿，就用 MozillaCookjar() 或 LWPCookieJar()

5.4 cookie的應(yīng)用

應(yīng)用一? 獲取登錄過(guò)的百度的cookie

# urllib2_cookielibtest2.py

import cookielib

import urllib2

# 創(chuàng)建MozillaCookieJar(有l(wèi)oad實(shí)現(xiàn))實(shí)例對(duì)象

cookiejar = cookielib.MozillaCookieJar()

# 從文件中讀取cookie內(nèi)容到變量

cookie.load('cookie.txt')

# 使用HTTPCookieProcessor()來(lái)創(chuàng)建cookie處理器對(duì)象策严，參數(shù)為CookieJar()對(duì)象

handler = urllib2.HTTPCookieProcessor(cookiejar)

# 通過(guò) build_opener() 來(lái)構(gòu)建opener

opener = urllib2.build_opener(handler)

response = opener.open("http://www.baidu.com")

應(yīng)用二 利用cookielib和post登錄人人網(wǎng)

import urllib

import urllib2

import cookielib

# 1. 構(gòu)建一個(gè)CookieJar對(duì)象實(shí)例來(lái)保存cookie

cookie = cookielib.CookieJar()

# 2. 使用HTTPCookieProcessor()來(lái)創(chuàng)建cookie處理器對(duì)象，參數(shù)為CookieJar()對(duì)象

cookie_handler = urllib2.HTTPCookieProcessor(cookie)

# 3. 通過(guò) build_opener() 來(lái)構(gòu)建opener

opener = urllib2.build_opener(cookie_handler)

# 4. addheaders 接受一個(gè)列表饿敲，里面每個(gè)元素都是一個(gè)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(guò)urlencode()轉(zhuǎn)碼

postdata = urllib.urlencode(data)

# 7. 構(gòu)建Request請(qǐng)求對(duì)象妻导，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(guò)opener發(fā)送這個(gè)請(qǐng)求，并獲取登錄后的Cookie值，

opener.open(request)

# 9. opener包含用戶登錄后的Cookie值倔韭，可以直接訪問(wèn)那些登錄后才可以訪問(wèn)的頁(yè)面

response = opener.open("http://www.renren.com/410043129/profile")

# 10. 打印響應(yīng)內(nèi)容

print response.read()