文章目錄

• 1.9. 參考閱讀：urllib：Handler處理器和自定義Opener
• Handler處理器 和 自定義Opener
• • 簡單的自定義opener()
  • ProxyHandler處理器（代理設(shè)置）
  • Cookie
  • • Cookie原理
    • Cookie應(yīng)用
  • cookiejar庫 和 HTTPCookieProcessor處理器
  • • cookiejar 庫
    • • • 1）獲取Cookie，并保存到CookieJar()對象中
      • 利用cookiejar和post登錄人人網(wǎng)
      • • • 這個測試案例中，為了想讓大家快速理解知識點(diǎn)，我們使用的人人網(wǎng)登錄接口是人人網(wǎng)改版前的隱藏接口(噓....)，登錄比較方便。
          • 當(dāng)然，我們也可以直接發(fā)送賬號密碼到登錄界面模擬登錄，但是當(dāng)網(wǎng)頁采用JavaScript動態(tài)技術(shù)以后，想封鎖基于 HttpClient 的模擬登錄就太容易了，甚至可以根據(jù)你的鼠標(biāo)活動的特征準(zhǔn)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(shù)，比如用內(nèi)置瀏覽器引擎的爬蟲(關(guān)鍵詞：Selenium ，PhantomJS)，這個我們將在以后會學(xué)習(xí)到。

1.9. 參考閱讀：urllib：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(shí)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(gòu)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：
• 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 urllib.request.build_opener()方法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()方法發(fā)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urllib.request.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(diào)用urlopen，都將使用這個opener（根據(jù)自己的需求來選擇）

簡單的自定義opener()

import urllib.request# 構(gòu)建一個HTTPHandler 處理器對象，支持處理HTTP請求 http_handler = urllib.request.HTTPHandler()# 構(gòu)建一個HTTPHandler 處理器對象，支持處理HTTPS請求 # http_handler = urllib.request.HTTPSHandler()# 調(diào)用urllib.request.build_opener()方法，創(chuàng)建支持處理HTTP請求的opener對象 opener = urllib.request.build_opener(http_handler)# 構(gòu)建 Request請求 request = urllib.request.Request("http://www.baidu.com/")# 調(diào)用自定義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(yīng)內(nèi)容 print (response.read().decode())

這種方式發(fā)送請求得到的結(jié)果，和使用urllib.request.urlopen()發(fā)送HTTP/HTTPS請求得到的結(jié)果是一樣的。

如果在 HTTPHandler()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(rèn) 0 http_handler = urllib.request.HTTPHandler(debuglevel=1)# 構(gòu)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(rèn) 0 https_handler = urllib.request.HTTPSHandler(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)，如果訪問次數(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。

urllib.request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：

#urllib_proxy1.pyimport urllib.request# 構(gòu)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(guān)# 通過 urllib.request.build_opener()方法使用這些代理Handler對象，創(chuàng)建自定義opener對象 # 根據(jù)代理開關(guān)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. 如果這么寫，只有使用opener.open()方法發(fā)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(yīng)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。 # urllib.request.install_opener(opener) # response = urlopen(request)print (response.read().decode())

免費(fèi)的開放代理獲取基本沒有成本，我們可以在一些代理網(wǎng)站上收集這些免費(fèi)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(fèi)短期代理網(wǎng)站舉例：

• 西刺免費(fèi)代理IP
• 快代理免費(fèi)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(jī)獲取User-Agent一樣，隨機(jī)選擇一個代理去訪問網(wǎng)站。

import urllib.request 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(jī)選擇一個代理 proxy = random.choice(proxy_list) # 使用選擇的代理構(gòu)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(fèi)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(wěn)定等缺點(diǎn)（免費(fèi)沒好貨）。

所以，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(yīng)商購買，再通過用戶名/密碼授權(quán)使用（舍不得孩子套不到狼）。

Cookie

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，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(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(jī)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(jìn)行安全連接（Secure）。前兩個參數(shù)是Cookie應(yīng)用的必要條件，另外，還包括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；SECURE

Cookie應(yīng)用

Cookies在爬蟲方面最典型的應(yīng)用是判定注冊用戶是否已經(jīng)登錄網(wǎng)站，用戶可能會得到提示，是否在下一次進(jìn)入此網(wǎng)站時保留用戶信息以便簡化登錄手續(xù)。

# 獲取一個有登錄信息的Cookie模擬登陸import urllib# 1. 構(gòu)建一個已經(jīng)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",# 便于終端閱讀，表示不支持壓縮文件# Accept-Encoding: gzip, deflate, sdch,# 重點(diǎn)：這個Cookie是保存了密碼無需重復(fù)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=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里的報頭信息（主要是Cookie信息），構(gòu)建Request對象 urllib.request.Request("http://www.renren.com/941954027#", headers = headers)# 3. 直接訪問renren主頁，服務(wù)器會根據(jù)headers報頭信息（主要是Cookie信息），判斷這是一個已經(jīng)登錄的用戶，并返回相應(yīng)的頁面 response = urllib.request.urlopen(request)# 4. 打印響應(yīng)內(nèi)容 print (response.read().decode())

但是這樣做太過復(fù)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，那有么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：主要作用是提供用于存儲cookie的對象

HTTPCookieProcessor處理器：主要作用是處理這些cookie對象，并構(gòu)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(nèi)存中，對CookieJar實(shí)例進(jìn)行垃圾回收后cookie也將丟失。

我們來做幾個案例：

1）獲取Cookie，并保存到CookieJar()對象中

# urllib_cookiejar_test1.pyimport urllib from http import cookiejar# 構(gòu)建一個CookieJar對象實(shí)例來保存cookie cookiejar = cookiejar.CookieJar()# 使用HTTPCookieProcessor()來創(chuàng)建cookie處理器對象，參數(shù)為CookieJar()對象 handler=urllib.request.HTTPCookieProcessor(cookiejar)# 通過 build_opener() 來構(gòu)建opener opener = urllib.request.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(biāo)準(zhǔn)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(yùn)行結(jié)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

利用cookiejar和post登錄人人網(wǎng)

import urllib from http import cookiejar# 1. 構(gòu)建一個CookieJar對象實(shí)例來保存cookie cookie = cookiejar.CookieJar()# 2. 使用HTTPCookieProcessor()來創(chuàng)建cookie處理器對象，參數(shù)為CookieJar()對象 cookie_handler = urllib.request.HTTPCookieProcessor(cookie)# 3. 通過 build_opener() 來構(gòu)建opener opener = urllib.request.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":"13****46**8763", "password":"****"} # 6. 通過urlencode()轉(zhuǎn)碼 postdata = urllib.parse.urlencode(data).encode()# 7. 構(gòu)建Request請求對象，包含需要發(fā)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(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(yīng)內(nèi)容 print (response.read().decode())

模擬登錄要注意幾點(diǎn)：

登錄一般都會先有一個HTTP GET，用于拉取一些信息及獲得Cookie，然后再HTTP POST登錄。

HTTP POST登錄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，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)站的登錄整體流程是類似的，可能有些細(xì)節(jié)不一樣，所以不能保證其他網(wǎng)站登錄成功。

這個測試案例中，為了想讓大家快速理解知識點(diǎn)，我們使用的人人網(wǎng)登錄接口是人人網(wǎng)改版前的隱藏接口(噓…)，登錄比較方便。

當(dāng)然，我們也可以直接發(fā)送賬號密碼到登錄界面模擬登錄，但是當(dāng)網(wǎng)頁采用JavaScript動態(tài)技術(shù)以后，想封鎖基于 HttpClient 的模擬登錄就太容易了，甚至可以根據(jù)你的鼠標(biāo)活動的特征準(zhǔn)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(shù)，比如用內(nèi)置瀏覽器引擎的爬蟲(關(guān)鍵詞：Selenium ，PhantomJS)，這個我們將在以后會學(xué)習(xí)到。

總結(jié)

以上是生活随笔為你收集整理的【爬虫学习笔记day11】1.9. 参考阅读：urllib：Handler处理器和自定义Opener+ProxyHandler处理器（代理设置）+cookiejar库 和 HTTPCookieProc的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。