Python Handler處理器和自定義Opener原理詳解

阿新 • • 發佈：2020-03-06

我們之前一直都在使用的urlopen，這是一個特殊的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.使用相差的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，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()

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'
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HTTPSHandler處理器物件，支援處理HTTPS請求
# https_handler = urllib.request.HTTPSHandler()
# 呼叫urllib.request.build_opener()方法，建立支援處理HTTP請求的opener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)
# 獲取伺服器響應內容
html = response.read()
print(html)

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，方便排程，有時可以省去抓包的工作。

# 僅需要修改的程式碼部分：
# 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HTTPHSandler 處理器物件，支援處理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代理設定）

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.request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：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'
 
"""
ProxyHandler處理器（代理設定）
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定一些代理伺服器，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物件，建立自定義opener物件
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 = 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支援不穩定等缺點。

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，再通過使用者名稱/密碼授權使用）。

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；SECURE

http.cookiejar庫和HTTPCookieProcessor處理器

在Python3.x處理Cookie，一般是通過http.cookjar模組和urllib.request模組的HTTPCookieProcessor處理器類一起使用。

http.cookjar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。

http.cookjar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檔案中儲存資料。
MozillaCookieJar(filename,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,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MozillaCookiejar()或LWPCookieJar()

案例：利用http.cookiejar和post登入人人網

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'
 
"""
利用http.cookiejar和post登入人人網
url = "http://www.renren.com/PLogin.do"
"""
 
import urllib
import urllib.request
import http.cookiejar
 
# 構建一個CookieJar物件例項來儲存cookie
cookie = http.cookiejar.CookieJar()
# 使用HTTPCookieProcessor()來建立cookie處理器物件，引數為CookieJar()物件
cookie_handler = urllib.request.HTTPCookieProcessor(cookie)
# 通過build_opener()來構建opener
opener = urllib.request.build_opener(cookie_handler)
# 設定User-Agent頭：addheaders接受一個列表，裡面每個元素都是一個headers資訊的元組，opener將附帶headers資訊
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')]
# 需要登入的賬戶和密碼
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)
# 通過opener傳送這個請求，並獲取登入後的Cookie值
opener.open(request)
# 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/413928886/profile")
# 獲取頁面內容
html = response.read()
# 將頁面內容儲存至本地磁碟
fo = open("renren.html","wb")
fo.write(html)
fo.close()

模擬登入要注意幾點：

登入一般都會先有一個HTTP GET，用於獲取一些資訊及獲得Cookie，然後再HTTP POST登入。
HTTP POST登入的連結有可能是動態的，從GET返回的資訊中獲取。
password（密碼）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。
大多數網站的登入整體流程是類似的，可能部分細節不一樣，所以其他網站登入時，需根據具體情況，作對應的修改。

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。