爬蟲之Handler處理器 和 自定義Opener

Handler處理器 和 自定義Opener

• opener是 urllib2.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. 然后通過 urllib2.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。

• 如果程序里所有的請求都使用自定義的opener，可以使用urllib2.install_opener() 將自定義的 opener 對象 定義為 全局opener，表示如果之后凡是調用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 urllib2 # 構建一個HTTPHandler 處理器對象，支持處理HTTP請求 http_handler = urllib2.HTTPHandler() # 構建一個HTTPHandler 處理器對象，支持處理HTTPS請求 # http_handler = urllib2.HTTPSHandler() # 調用urllib2.build_opener()方法，創建支持處理HTTP請求的opener對象 opener = urllib2.build_opener(http_handler) # 構建 Request請求 request = urllib2.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() 

這種方式發送請求得到的結果，和使用urllib2.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，同時開啟Debug Log，debuglevel 值默認 0 http_handler = urllib2.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 值默認 0 https_handler = urllib2.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，系統日志等)，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。

urllib2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：

#urllib2_proxy1.py import urllib2 # 構建了兩個代理Handler，一個有代理IP，一個沒有代理IP httpproxy_handler = urllib2.ProxyHandler({"http" : "124.88.67.81:80"}) nullproxy_handler = urllib2.ProxyHandler({}) proxySwitch = True #定義一個代理開關 # 通過 urllib2.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 = 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. 如果這么寫，就是將opener應用到全局，之后所有的，不管是opener.open()還是urlopen() 發送請求，都將使用自定義代理。 # urllib2.install_opener(opener) # response = 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站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 urllib2 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 = urllib2.ProxyHandler(proxy) opener = urllib2.build_opener(httpproxy_handler) 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（舍不得孩子套不到狼）。

HTTPPasswordMgrWithDefaultRealm()

HTTPPasswordMgrWithDefaultRealm()類將創建一個密碼管理對象，用來保存 HTTP 請求相關的用戶名和密碼，主要應用兩個場景：

1. 驗證代理授權的用戶名和密碼 (ProxyBasicAuthHandler())
2. 驗證Web客戶端的的用戶名和密碼 (HTTPBasicAuthHandler())

ProxyBasicAuthHandler(代理授權驗證)

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()：來處理代理的身份驗證。

#urllib2_proxy2.py import urllib2 import urllib # 私密代理授權的賬戶 user = "mr_mao_hacker" # 私密代理授權的密碼 passwd = "sffqry9r" # 私密代理 IP proxyserver = "61.158.163.130:16816" # 1. 構建一個密碼管理對象，用來保存需要處理的用戶名和密碼 passwdmgr = urllib2.HTTPPasswordMgrWithDefaultRealm() # 2. 添加賬戶信息，第一個參數realm是與遠程服務器相關的域信息，一般沒人管它都是寫None，后面三個參數分別是 代理服務器、用戶名、密碼 passwdmgr.add_password(None, proxyserver, user, passwd) # 3. 構建一個代理基礎用戶名/密碼驗證的ProxyBasicAuthHandler處理器對象，參數是創建的密碼管理對象 # 注意，這里不再使用普通ProxyHandler類了 proxyauth_handler = urllib2.ProxyBasicAuthHandler(passwdmgr) # 4. 通過 build_opener()方法使用這些代理Handler對象，創建自定義opener對象，參數包括構建的 proxy_handler 和 proxyauth_handler opener = urllib2.build_opener(proxyauth_handler) # 5. 構造Request 請求 request = urllib2.Request("http://www.baidu.com/") # 6. 使用自定義opener發送請求 response = opener.open(request) # 7. 打印響應內容 print response.read() 

HTTPBasicAuthHandler處理器（Web客戶端授權驗證）

有些Web服務器（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，表示訪問身份未經授權：

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：

import urllib import urllib2 # 用戶名 user = "test" # 密碼 passwd = "123456" # Web服務器 IP webserver = "http://192.168.199.107" # 1. 構建一個密碼管理對象，用來保存需要處理的用戶名和密碼 passwdmgr = urllib2.HTTPPasswordMgrWithDefaultRealm() # 2. 添加賬戶信息，第一個參數realm是與遠程服務器相關的域信息，一般沒人管它都是寫None，后面三個參數分別是 Web服務器、用戶名、密碼 passwdmgr.add_password(None, webserver, user, passwd) # 3. 構建一個HTTP基礎用戶名/密碼驗證的HTTPBasicAuthHandler處理器對象，參數是創建的密碼管理對象 httpauth_handler = urllib2.HTTPBasicAuthHandler(passwdmgr) # 4. 通過 build_opener()方法使用這些代理Handler對象，創建自定義opener對象，參數包括構建的 proxy_handler opener = urllib2.build_opener(httpauth_handler) # 5. 可以選擇通過install_opener()方法定義opener為全局opener urllib2.install_opener(opener) # 6. 構建 Request對象 request = urllib2.Request("http://192.168.199.107") # 7. 定義opener為全局opener后，可直接使用urlopen()發送請求 response = urllib2.urlopen(request) # 8. 打印響應內容 print response.read() 

Cookie

Cookie 是指某些網站服務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服務器的會話。

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

Cookies在爬蟲方面最典型的應用是判定注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 urllib2 # 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", # 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復登錄的用戶的Cookie，這個Cookie里記錄了用戶名，密碼(通常經過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=[e-mail]; 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），構建Request對象 urllib2.Request("http://www.renren.com/", 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 = urllib2.urlopen(request) # 4. 打印響應內容 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，並且設置保存密碼，並且通過抓包才能獲取這個Cookie，那有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處理器類一起使用。

cookielib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。

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在文件中存儲數據。

• MozillaCookieJar (filename,delayload=None,policy=None)：從FileCookieJar派生而來，創建與Mozilla瀏覽器 cookies.txt兼容的FileCookieJar實例。

• LWPCookieJar (filename,delayload=None,policy=None)：從FileCookieJar派生而來，創建與libwww-perl標准的 Set-Cookie3 文件格式兼容的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 MozillaCookjar() 或 LWPCookieJar()

我們來做幾個案例：

1）獲取Cookie，並保存到CookieJar()對象中

# urllib2_cookielibtest1.py import urllib2 import cookielib # 構建一個CookieJar對象實例來保存cookie cookiejar = cookielib.CookieJar() # 使用HTTPCookieProcessor()來創建cookie處理器對象，參數為CookieJar()對象 handler=urllib2.HTTPCookieProcessor(cookiejar) # 通過 build_opener() 來構建opener opener = urllib2.build_opener(handler) # 4. 以get方法訪問頁面，訪問之后會自動保存cookie到cookiejar中 opener.open("http://www.baidu.com") ## 可以按標准格式將保存的Cookie打印出來 cookieStr = "" for item in cookiejar: cookieStr = cookieStr + item.name + "=" + item.value + ";" ## 舍去最后一位的分號 print cookieStr[:-1] 

我們使用以上方法將Cookie保存到cookiejar對象中，然后打印出了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_21115_17001_21454_21409_21554_21398;PSTM=1480815736;BDSVRTM=0;BD_HOME=0

2. 訪問網站獲得cookie，並把獲得的cookie保存在cookie文件中

# urllib2_cookielibtest2.py import cookielib import urllib2 # 保存cookie的本地磁盤文件名 filename = 'cookie.txt' # 聲明一個MozillaCookieJar(有save實現)對象實例來保存cookie，之后寫入文件 cookiejar = cookielib.MozillaCookieJar(filename) # 使用HTTPCookieProcessor()來創建cookie處理器對象，參數為CookieJar()對象 handler = urllib2.HTTPCookieProcessor(cookiejar) # 通過 build_opener() 來構建opener opener = urllib2.build_opener(handler) # 創建一個請求，原理同urllib2的urlopen response = opener.open("http://www.baidu.com") # 保存cookie到本地文件 cookiejar.save() 

3. 從文件中獲取cookies，做為請求的一部分去訪問

# urllib2_cookielibtest2.py import cookielib import urllib2 # 創建MozillaCookieJar(有load實現)實例對象 cookiejar = cookielib.MozillaCookieJar() # 從文件中讀取cookie內容到變量 cookie.load('cookie.txt') # 使用HTTPCookieProcessor()來創建cookie處理器對象，參數為CookieJar()對象 handler = urllib2.HTTPCookieProcessor(cookiejar) # 通過 build_opener() 來構建opener opener = urllib2.build_opener(handler) response = opener.open("http://www.baidu.com") 

利用cookielib和post登錄人人網

import urllib import urllib2 import cookielib # 1. 構建一個CookieJar對象實例來保存cookie cookie = cookielib.CookieJar() # 2. 使用HTTPCookieProcessor()來創建cookie處理器對象，參數為CookieJar()對象 cookie_handler = urllib2.HTTPCookieProcessor(cookie) # 3. 通過 build_opener() 來構建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":"[e-mail]", "password":"alaxxxxxime"} # 6. 通過urlencode()轉碼 postdata = urllib.urlencode(data) # 7. 構建Request請求對象，包含需要發送的用戶名和密碼 request = urllib2.Request("http://www.renren.com/PLogin.do", data = postdata) # 8. 通過opener發送這個請求，並獲取登錄后的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. 打印響應內容 print response.read() 

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，然后再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，有些是加密后發送。有些網站甚至采用動態加密的，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。