7.代理handler

Posted 2020-11-02 wei_hu

简单的自定义opener()

import urllib.request

#构建一个HTTPHandler处理器对象，支持处理HTTP请求
http_handler=urllib.request.HTTPHandler()

#构建一个HTTPHandler处理器对象，支持处理HTTPS请求
# http_handler=urllib.request.HTTPHandler()

#调用urllib.request.build_opener()方法，创建支持处理HTTP请求的opener对象
opener=urllib.request.build_opener(http_handler)

#构建Request请求
request=urllib.request.Request("http://www.baidu.com/")

#调用自定义opener对象的open()方法，发送request请求
response=opener.open(request)

print(response.read().decode(‘utf-8‘))

 

ProxyHandler处理器（代理设置）

使用代理IP，这是爬虫/反爬虫的第二大招，通常也是最好用的。

很多网站会检测某一段时间某个IP的访问次数(通过流量统计，系统日志等)，如果访问次数多的不像正常人，它会禁止这个IP的访问。

所以我们可以设置一些代理服务器，每隔一段时间换一个代理，就算IP被禁止，依然可以换个IP继续爬取。

import urllib.request

# 构建了两个代理Handler，一个有代理IP，一个没有代理IP
httpproxy_handler = urllib.request.ProxyHandler({"http": "120.26.110.59:8080"})
nullproxy_handler = urllib.request.ProxyHandler({})

proxySwitch = True #定义一个代理开关

# 通过 urllib2.build_opener()方法使用这些代理Handler对象，创建自定义opener对象
# 根据代理开关是否打开，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. 如果这么写，只有使用opener.open()方法发送请求才使用自定义的代理，而urlopen()则不使用自定义代理。
response = opener.open(request)

# 2. 如果这么写，就是将opener应用到全局，之后所有的，不管是opener.open()还是urlopen() 发送请求，都将使用自定义代理。
# urllib2.install_opener(opener)
# response = urlopen(request)

print(response.read().decode(‘utf-8‘))

 

如果代理IP足够多，就可以像随机获取User-Agent一样，随机选择一个代理去访问网站。

import urllib.request
import random

#代理列表
proxy_list = [
    {"http" : "124.88.67.81:80"},
    {"http": "120.26.110.59:8080"},
    {"http" : "124.88.67.81:80"},
    {"http" : "124.88.67.81:80"},
    {"http" : "124.88.67.81:80"}
]

# 随机选择一个代理
proxy = random.choice(proxy_list)
# 使用选择的代理构建代理处理器对象
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().decode(‘utf-8‘))

 

HTTPPasswordMgrWithDefaultRealm()

HTTPPasswordMgrWithDefaultRealm()类将创建一个密码管理对象，用来保存 HTTP 请求相关的用户名和密码，主要应用两个场景：

1. 验证代理授权的用户名和密码 (ProxyBasicAuthHandler())
2. 验证Web客户端的的用户名和密码 (HTTPBasicAuthHandler())

ProxyBasicAuthHandler(代理授权验证)

如果我们使用之前的代码来使用私密代理，会报 HTTP 407 错误，表示代理没有通过身份验证

import urllib.request

#私密代理授权的账户
user="mr_mao_hacker"
#私密代理授权的密码
passwd="sffqry9r"
#私密代理IP
proxyserver="61.158.163.130:16816"

#1.构建一个密码管理对象,用来保存需要处理的用户名和密码
passwdmgr=urllib.request.HTTPPasswordMgrWithDefaultRealm()

#2.添加账户信息，第一个参数realm是与远程服务器相关的域信息
passwdmgr.add_password(None,proxyserver,user,passwd)

#3.构建一个代理基础用户名/密码验证的ProxyBasicAuthHandler处理器对象，参数是创建的密码管理对象
#   注意,这里不再使用普通ProxyHandler类了
proxyauth_handler=urllib.request.ProxyBasicAuthHandler(passwdmgr)

#4.通过build_opener()方法使用这些代理Handler对象，创建自定义opener对象，参数包括构建的 proxy_handler 和 proxyauth_handler
opener=urllib.request.build_opener(proxyauth_handler)

#5.构造Request请求
request=urllib.request.Request("http://www.baidu.com/")

#6.使用自定义opener发送请求
response=opener.open(request)

#7.打印响应内容
print(response.read())

 

Cookie原理

HTTP是无状态的面向连接的协议, 为了保持连接状态, 引入了Cookie机制 Cookie是http消息头中的一种属性，包括：

Cookie名字（Name）
Cookie的值（Value）
Cookie的过期时间（Expires/Max-Age）
Cookie作用路径（Path）
Cookie所在域名（Domain），
使用Cookie进行安全连接（Secure）。

前两个参数是Cookie应用的必要条件，另外，还包括Cookie大小（Size，不同浏览器对Cookie个数及大小限制是有差异的）。

Cookie由变量名和值组成，根据 Netscape公司的规定，Cookie格式如下：

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

Cookie应用

Cookies在爬虫方面最典型的应用是判定注册用户是否已经登录网站，用户可能会得到提示，是否在下一次进入此网站时保留用户信息以便简化登录手续。

import urllib
import urllib2
import cookielib

# 通过CookieJar()类构建一个cookieJar()对象，用来保存cookie的值
cookie = cookielib.CookieJar()

# 通过HTTPCookieProcessor()处理器类构建一个处理器对象，用来处理cookie
# 参数就是构建的CookieJar()对象
cookie_handler = urllib2.HTTPCookieProcessor(cookie)

# 构建一个自定义的opener
opener = urllib2.build_opener(cookie_handler)

# 通过自定义opener的addheaders的参数，可以添加HTTP报头参数
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")]

# renren网的登录接口
url = "http://www.renren.com/PLogin.do"

# 需要登录的账户密码
data = {"email":"[email protected]", "password":"alarmchime"}

# 通过urlencode()编码转换
data = urllib.urlencode(data)

# 第一次是post请求，发送登录需要的参数，获取cookie
request = urllib2.Request(url, data = data)

# 发送第一次的post请求，生成登录后的cookie(如果登录成功的话)
response = opener.open(request)

#print response.read()

# 第二次可以是get请求，这个请求将保存生成cookie一并发到web服务器，服务器会验证cookie通过
response_deng = opener.open("http://www.renren.com/410043129/profile")

# 获取登录后才能访问的页面信息
print response_deng.read()

 

代理ip

import requests

#根据协议类型，选择不同的代理
proxies={
    "http": "120.26.110.59:8080",
    "https": "http://12.34.56.79:9527",

}

response=requests.get("http://www.baidu.com",proxies=proxies)
print(response.text)

 

 

Requests: 让 HTTP 服务人类

虽然Python的标准库中 urllib2 模块已经包含了平常我们使用的大多数功能，但是它的 API 使用起来让人感觉不太好，而 Requests 自称 “HTTP for Humans”，说明使用更简洁方便。

Requests 唯一的一个非转基因的 Python HTTP 库，人类可以安全享用：）

Requests 继承了urllib2的所有特性。Requests支持HTTP连接保持和连接池，支持使用cookie保持会话，支持文件上传，支持自动确定响应内容的编码，支持国际化的 URL 和 POST 数据自动编码。

requests 的底层实现其实就是 urllib3

#requests 的底层实现其实就是 urllib3
import requests
response=requests.get("http://www.baidu.com/")
print(response.text)

 

Requests的文档非常完备，中文文档也相当不错。Requests能完全满足当前网络的需求，支持Python 2.6—3.5，而且能在PyPy下完美运行。

import requests
response=requests.get("https://www.baidu.com/",verify=True)

print(response.text)

 

requests模块post请求

import requests
import requests

formdata = {
    "type":"AUTO",
    "i":"i love python",
    "doctype":"json",
    "xmlVersion":"1.8",
    "keyfrom":"fanyi.web",
    "ue":"UTF-8",
    "action":"FY_BY_ENTER",
    "typoResult":"true"
}

url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}

reponse=requests.post(url,data=formdata,headers=headers)
print(reponse.text)

#如果是json文件可以直接显示
print(reponse.json())

 

requests请求headers

import requests
kw={‘wd‘:‘长城‘}
headers = {"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"}

# params 接收一个字典或者字符串的查询参数，字典类型自动转换为url编码，不需要urlencode()
response=requests.get("http://www.baidu.com/s?",params=kw,headers=headers)

# 查看响应内容，response.text 返回的是Unicode格式的数据
print(response.text)

# 查看响应内容，response.content返回的字节流数据
print(response.content)

#查看完整url地址
print(response.url)

#查看响应头部字符编码
print(response.encoding)

#查看响应码
print(response.status_code)

requests模块私密代理

import requests

# 如果代理需要使用HTTP Basic Auth，可以使用下面这种格式：
proxy={"http": "mr_mao_hacker:[email protected]:16816"}

response=requests.get("http://www.baidu.com", proxies = proxy)

print(response.text)

import requests

auth=(‘test‘,‘123456‘)

response=requests.get(‘http://192.168.199.107‘,auth=auth)

print(response.text)

 

爬取https网站

import requests
"""
如果SSL证书验证不通过，或者不信任服务器的安全证书，则会报出SSLError，
据说 12306 证书是自己做的

如果我们想跳过 12306 的证书验证，把 verify 设置为 False 就可以正常请求了

"""
response = requests.get("https://www.12306.cn/mormhweb/",verify=False)
print(response.text)