Selenium通过设置代理实现抓取HTTPS请求

Posted 2022-05-26 上帝De助手

起因

Selenium本身是不支持HTTP请求抓取的，因为其团队认为这个不是selenium要解决的问题（确实也是）。所以推荐使用一个相关联的项目 -- BrowserMobProxy。
具体项目首页见：https://github.com/lightbody/browsermob-proxy

尝试

因为项目需要，所以就研究了下BrowserMobProxy。它其实是一个java实现的开源代理项目，它与普通的代理不同之处在于：

• 它支持REST API接口（可以通过http请求来动态创建代理服务）
• 默认启动的是一个代理Manager，它会管理N多个代理服务（我们真正使用的就是这个代理服务）
• 可以支持动态的代理配置

一张图看懂BrowserMobProxy的业务逻辑。

即在使用代理之前，需要先启动代理Manager；而这个Manager提供了REST API接口，支持动态创建代理服务。（它会维护一批申请过的代理服务）之后我们使用的其实都是新申请的代理服务。（所以它并不是一个代理实例，而是一个代理管理服务）

使用

要使用BrowserMobProxy首先你需要启动它的代理Manager。有3种方式：

• 直接通过bin目录下的脚本文件启动（如：browsermob-proxy.bat）
• 在程序中动态执行脚本文件
• JAVA项目可以导入到项目中通过SDK启动

BrowserMobProxy的代理Manager启动后，就可以向它申请具体的代理服务了。主要有2种方式：

• REST API方式
• JAVA的SDK方式

由于这里是讲Python相关的，所以后面只讲REST API方式。启动代理Manager和申请代理服务的代码如下：

BROWSERMOBPROXY = r"D:\\browsermob-proxy-2.1.1\\bin\\browsermob-proxy.bat"
server = browsermobproxy.Server(BROWSERMOBPROXY, 'port': 8080)    # 初始化一个代理Manager服务，并监听8080端口
server.start()                                      # 启动代理Manager服务
proxy = server.create_proxy()                       # 向代理Manager服务申请一个代理服务，会使用默认端口8081
print(proxy.port)

上述代码是在程序中执行了BrowserMobProxy的启动脚本，然后申请了一个代理服务。当然，你还可以先手动启动BrowserMobProxy，接着在程序中就可以直接申请代理服务即可。（也可以是远程服务器上的地址）

proxy = browsermobproxy.Client('http://localhost:8080')     # 向已有代理Manager服务申请一个代理服务

DEMO

光有上面的代码还不够，我们需要和Selenium代理整合之后，才能知道是否可以满足我们的需求。在具体执行代码之前你需要安装2个前提库：

    pip install selenium
    pip install browsermob

然后就可以执行如下代码了。

def set_proxy_for_ff():
    profile = webdriver.FirefoxProfile()
    driver = webdriver.Firefox(firefox_profile=profile, proxy=proxy.selenium_proxy())   # 配置selenium使用指定的代理服务
    proxy.new_har("test", options='captureContent': True, 'captureHeaders': True)     # 开启代理监控，如果不监控会拿不到请求内容
    driver.get("http://www.baidu.cn")           # 访问页面
    # TODO:其它页面操作
    proxy.wait_for_traffic_to_stop(1000, 6000)  # 停止代理监控
    print(proxy.har)                            # 打印请求日志信息


def set_proxy_for_chrome():
    dc = webdriver.DesiredCapabilities
    proxy.add_to_capabilities(dc)
    driver = webdriver.Chrome(desired_capabilities=dc)   # 配置selenium使用指定的代理服务
    proxy.new_har("test", options='captureContent': True, 'captureHeaders': True)     # 开启代理监控，如果不监控会拿不到请求内容
    driver.get("http://www.baidu.cn")           # 访问页面
    # TODO:其它页面操作
    proxy.wait_for_traffic_to_stop(1000, 6000)  # 停止代理监控
    print(proxy.har)                            # 打印请求日志信息


def set_proxy_for_phantomjs():
    dc = webdriver.DesiredCapabilities
    proxy.add_to_capabilities(dc)
    driver = webdriver.PhantomJS(desired_capabilities=dc)   # 配置selenium使用指定的代理服务
    proxy.new_har("test", options='captureContent': True, 'captureHeaders': True)     # 开启代理监控，如果不监控会拿不到请求内容
    driver.get("http://www.baidu.cn")           # 访问页面
    # TODO:其它页面操作
    proxy.wait_for_traffic_to_stop(1000, 6000)  # 停止代理监控
    print(proxy.har)    

如果一切正常的话，这3个函数都是可以执行的。前提是对应的Webdriver和浏览器得先配置好了。如果你是在远程服务器上启动的代理Manager，记得关掉防火墙。

填坑

这个是针对Python用户的，如果你是java用户则没有这样的苦恼，因为这些功能jar包的SDK中都已经支持了。

启动代理Manager时指定参数

由于支持BrowserMobProxy的Python库只有一个在pypi上。而该库虽然可以支持基本的使用，但是如果你希望配置更多的参数，则需要自己动手来解决。因为在Python的browsermobproxy库中启动代理Manager时未提供指定启动参数的选项，所以如果你需要在程序里启动代理Manager时带上参数，则有3种方式可以实现：

• 在启动脚本中添加固定参数
• 修改Python库支持指定参数
• 提供一个带参数的命令

接着，就来逐一看下如何去实现。如果是第一种则需修改对应的启动脚本（linux或windows），并设置固定的参数。

@REM -- Regular WinNT shell
set CMD_LINE_ARGS=%* -proxyPortRange 9000-9999 -ttl 600
goto WinNTGetScriptDir

上面是windows启动脚本browsermob-proxy.bat的修改之处，在第二行内容后追加了 -proxyPortRange 9000-9999 -ttl 600参数。如果是linux系统，则修改browsermob-proxy文件，具体修改的内容如下：

exec "$JAVACMD" $JAVA_OPTS \\
  $EXTRA_JVM_ARGUMENTS \\
  -classpath "$CLASSPATH" \\
  -Dapp.name="browsermob-proxy" \\
  -Dapp.pid="$$" \\
  -Dapp.repo="$REPO" \\
  -Dbasedir="$BASEDIR" \\
  net.lightbody.bmp.proxy.Main \\
  "$@" -proxyPortRange 9000-9999 -ttl 600

 

同样是在最后一行追加了指定的参数内容。如果选择第二种方式则需要修改Python的browsermobproxy库（这里不建议），因为第三种方式可以更好的解决这个问题。即把启动字符串修改为一个列表即可。

# 原来的启动脚本路径
BROWSERMOBPROXY = r"D:\\browsermob-proxy-2.1.1\\bin\\browsermob-proxy.bat"
# 修改为如下
BROWSERMOBPROXY = [r"D:\\browsermob-proxy-2.1.1\\bin\\browsermob-proxy.bat", '-proxyPortRange 9000-9999', '-ttl 600']

 

申请代理服务时指定参数

可以指定代理Manager的启动参数后，还需要可以指定代理的启动参数。比如：忽略HTTPS的认证错误。而这里就真的需要修改Python库了。具体的代码修改如下：

# browsermobproxy\\client.py 第32行
resp = requests.post('%s/proxy%s' % self.host, urlparams)
# 修改为
resp = requests.post('%s/proxy' % self.host, data=params)

这个可能是作者开发的失误，因为POST正常是不支持URL参数接收。作者可能是希望能打印出来，所以拼接成url串，只是在POST时忘记转回了。

完整代码

from selenium import webdriver
import browsermobproxy

"""
Required:
    pip install selenium
    pip install browsermob
"""

BROWSERMOBPROXY = r"D:\\browsermob-proxy-2.1.1\\bin\\browsermob-proxy.bat"

server = browsermobproxy.Server(BROWSERMOBPROXY, 'port': 8080)    # 初始化一个代理Manager服务，并监听8080端口
server.start()                                      # 启动代理Manager服务
proxy = server.create_proxy()                       # 向代理Manager服务申请一个代理服务，会使用默认端口8081
print(proxy.port)

#proxy = browsermobproxy.Client('http://localhost:8080')     # 向已有代理Manager服务申请一个代理服务


def set_proxy_for_ff():
    profile = webdriver.FirefoxProfile()
    driver = webdriver.Firefox(firefox_profile=profile, proxy=proxy.selenium_proxy())   # 配置selenium使用指定的代理服务
    proxy.new_har("test", options='captureContent': True, 'captureHeaders': True)     # 开启代理监控，如果不监控会拿不到请求内容
    driver.get("http://www.baidu.cn")           # 访问页面
    # TODO:其它页面操作
    proxy.wait_for_traffic_to_stop(1000, 6000)  # 停止代理监控
    print(proxy.har)                            # 打印请求日志信息


def set_proxy_for_chrome():
    dc = webdriver.DesiredCapabilities
    proxy.add_to_capabilities(dc)
    driver = webdriver.Chrome(desired_capabilities=dc)   # 配置selenium使用指定的代理服务
    proxy.new_har("test", options='captureContent': True, 'captureHeaders': True)     # 开启代理监控，如果不监控会拿不到请求内容
    driver.get("http://www.baidu.cn")           # 访问页面
    # TODO:其它页面操作
    proxy.wait_for_traffic_to_stop(1000, 6000)  # 停止代理监控
    print(proxy.har)                            # 打印请求日志信息


def set_proxy_for_phantomjs():
    dc = webdriver.DesiredCapabilities
    proxy.add_to_capabilities(dc)
    driver = webdriver.PhantomJS(desired_capabilities=dc)   # 配置selenium使用指定的代理服务
    proxy.new_har("test", options='captureContent': True, 'captureHeaders': True)     # 开启代理监控，如果不监控会拿不到请求内容
    driver.get("http://www.baidu.cn")           # 访问页面
    # TODO:其它页面操作
    proxy.wait_for_traffic_to_stop(1000, 6000)  # 停止代理监控
    print(proxy.har)                            # 打印请求日志信息


if '__main__' == __name__:
    set_proxy_for_ff()
    set_proxy_for_chrome()
    set_proxy_for_phantomjs()

了解更多关于自动化、Selenium相关的知识。可以关注TestQA公众号。