Python爬蟲(chóng)中Handler和Opener的區(qū)別

這期內(nèi)容當(dāng)中小編將會(huì)給大家?guī)?lái)有關(guān)Python爬蟲(chóng)中Handler和Opener的區(qū)別，文章內(nèi)容豐富且以專(zhuān)業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

爬蟲(chóng)——Handler處理器和自定義Opener

我們之前一直都在使用的urlopen，這是一個(gè)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(jí)功能。所以要支持這些功能：

1.使用相差的Handler處理器來(lái)創(chuàng)建特定功能的處理器對(duì)象；

2.然后通過(guò)urllib.request.build_opener()方法，創(chuàng)建自定義opener對(duì)象

3.使用自定義的opener對(duì)象，調(diào)用open()方法發(fā)送請(qǐng)求。

如果程序里所有的請(qǐng)求都使用自定義的opener，可以使用urllib.request.install_opener()將自定義的opener對(duì)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(gè)opener（根據(jù)自己的需求來(lái)選擇）

簡(jiǎn)單的自定義opener()

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
import urllib.request
 
# 構(gòu)建一個(gè)HTTPHandler處理器對(duì)象，支持處理HTTP請(qǐng)求。
http_handler = urllib.request.HTTPHandler()
# # 構(gòu)建一個(gè)HTTPSHandler處理器對(duì)象，支持處理HTTPS請(qǐng)求
# https_handler = urllib.request.HTTPSHandler()
 
# 調(diào)用urllib.request.build_opener()方法，創(chuàng)建支持處理HTTP請(qǐng)求的opener對(duì)象
opener = urllib.request.build_opener(http_handler)
 
# 構(gòu)建Request請(qǐng)求
request = urllib.request.Request("http://www.baidu.com/")
 
# 調(diào)用自定義opener對(duì)象的open()方法，發(fā)送request請(qǐng)求
response = opener.open(request)
 
# 獲取服務(wù)器響應(yīng)內(nèi)容
html = response.read()
 
print(html)

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

如果在HTTPHandler()增加debuglevel = 1參數(shù)，還會(huì)將Debug Log打開(kāi)，這樣程序在執(zhí)行的時(shí)候，會(huì)把收包和發(fā)包的報(bào)頭在屏幕上自動(dòng)打印出來(lái)，方便調(diào)度，有時(shí)可以省去抓包的工作。

# 僅需要修改的代碼部分：
 
# 構(gòu)建一個(gè)HTTPHandler 處理器對(duì)象，支持處理HTTP請(qǐng)求，同時(shí)開(kāi)啟Debug Log，debuglevel 值默認(rèn) 0
http_handler = urllib.request.HTTPHandler(debuglevel = 1)
 
# 構(gòu)建一個(gè)HTTPHSandler 處理器對(duì)象，支持處理HTTPS請(qǐng)求，同時(shí)開(kāi)啟Debug Log，debuglevel 值默認(rèn) 0
https_handler = urllib.request.HTTPSHandler(debuglevel = 1)

ProxyHandler處理器（IP代理設(shè)置）

很多網(wǎng)站會(huì)檢測(cè)某一段時(shí)間IP的訪(fǎng)問(wèn)次數(shù)（通過(guò)流量統(tǒng)計(jì)、系統(tǒng)日志等），如果某個(gè)IP訪(fǎng)問(wèn)次數(shù)多的不像正常人，它會(huì)禁止這個(gè)IP的訪(fǎng)問(wèn)。

所以我們通?？梢栽O(shè)置一些代理服務(wù)器，每隔一段時(shí)間換一個(gè)代理，就算IP被禁止，依然可以換個(gè)IP繼續(xù)爬取。

urllib.request中通過(guò)ProxyHandler來(lái)設(shè)置使用代理服務(wù)器，下面代碼說(shuō)明如何使用自定義opener來(lái)使用代理：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
"""
ProxyHandler處理器（代理設(shè)置）
很多網(wǎng)站會(huì)檢測(cè)某一段時(shí)間某個(gè)IP的訪(fǎng)問(wèn)次數(shù)（通過(guò)流量統(tǒng)計(jì)，系統(tǒng)日志等），如果
訪(fǎng)問(wèn)次數(shù)多的不像正常人，它會(huì)禁止這個(gè)IP的訪(fǎng)問(wèn)。
所以我們可能通過(guò)設(shè)置一些代理服務(wù)器，每隔一段時(shí)間換一個(gè)代理IP，就算IP被禁
止，我們依然可以換個(gè)IP繼續(xù)爬取。
"""
 
import urllib.request
 
# 構(gòu)建了兩個(gè)代理Handler，一個(gè)有代理IP，一個(gè)沒(méi)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(gè)代理開(kāi)關(guān)
proxy_switch = True
 
# 根據(jù)代理開(kāi)關(guān)是否拱形，使用不同的代理模式
# 通過(guò)urllib.request.build_opener()方法使用這些代理Handler對(duì)象，創(chuàng)建自定義opener對(duì)象
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. 如果這么寫(xiě)，只有使用opener.open()方法發(fā)送請(qǐng)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(xiě)，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(qǐng)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(fèi)的開(kāi)放代理獲取基本沒(méi)有什么成本，我們可以在一些代理網(wǎng)站上收集這些免費(fèi)代理，測(cè)試后如果可以用，就把它收集起來(lái)用在爬蟲(chóng)上面。

免費(fèi)代理網(wǎng)站舉例：

（1）西刺免費(fèi)代理IP

（2）快代理免費(fèi)代理

（3）Proxy360代理

（4）全網(wǎng)代理IP

如果代理IP足夠多，就可以讓程序隨機(jī)獲取一個(gè)代理IP去訪(fǎng)問(wèn)網(wǎng)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(jī)選擇一個(gè)代理
proxy = random.choice(proxy_list)

但是，這些免費(fèi)開(kāi)放的代理一般會(huì)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)。

所以，要根據(jù)自己的需求，選擇是否需要使用高品質(zhì)的私密代理（通常需要找專(zhuān)門(mén)的代理供應(yīng)商購(gòu)買(mǎi)，再通過(guò)用戶(hù)名/密碼授權(quán)使用）。

Cookie

Cookie是指某些網(wǎng)站服務(wù)器為了辨別用戶(hù)身份和進(jìn)行Session跟蹤，而儲(chǔ)存在用戶(hù)瀏覽器上的文本文件，Cookie可以保持登錄信息到用戶(hù)下次與服務(wù)器的會(huì)話(huà)。

Cookie原理

HTTP是無(wú)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(guò)期時(shí)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(gè)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(duì)Cookie個(gè)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

http.cookiejar庫(kù)和HTTPCookieProcessor處理器

在Python3.x處理Cookie，一般是通過(guò)http.cookjar模塊和urllib.request模塊的HTTPCookieProcessor處理器類(lèi)一起使用。

http.cookjar模塊：主要作用是提供用于存儲(chǔ)cookie的對(duì)象 
HTTPCookieProcessor處理器：主要作用是處理這些cookie對(duì)象，并構(gòu)建handler對(duì)象。

http.cookjar庫(kù)

該模塊主要的對(duì)象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。

（1）CookieJar：管理HTTP cookie值、存儲(chǔ)HTTP請(qǐng)求生成的cookie、向傳出的HTTP請(qǐng)求添加cookie的對(duì)象。整個(gè)cookie都存儲(chǔ)在內(nèi)存中，對(duì)CookieJar實(shí)例進(jìn)行垃圾回收后cookie也將丟失。

（2）FileCookieJar(filename, delayload = None, policy = None)：從CookieJar派生而來(lái)，用來(lái)創(chuàng)建FileCookieJar實(shí)例，檢索cookie信息并將cookie存儲(chǔ)到文件中。filename是存儲(chǔ)cookie的文件名。delayload為T(mén)rue時(shí)支持延遲訪(fǎng)問(wèn)訪(fǎng)問(wèn)文件，即只有在需要時(shí)才讀取文件或文件中存儲(chǔ)數(shù)據(jù)。

（3）MozillaCookieJar(filename, delayload = None, policy = None)：從FileCookieJar派生而來(lái)，創(chuàng)建與Mozilla瀏覽器cookies.txt兼容的FileCookieJar實(shí)例。

（4）LWPCookieJar(filename, delayload = None, policy = None)：從FileCookieJar派生而來(lái)，創(chuàng)建與libwww-perl標(biāo)準(zhǔn)的Set-Cookie3文件格式兼容的FileCookieJar實(shí)例。

其實(shí)大多數(shù)情況下，我們只用CookieJar()，如果需要和本地文件交互，就用MozillaCookiejar()或LWPCookieJar()。

案例：利用http.cookiejar和post登錄人人網(wǎng)

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
"""
利用http.cookiejar和post登錄人人網(wǎng)
url = "http://www.renren.com/PLogin.do"
"""
 
import urllib
import urllib.request
import http.cookiejar
 
# 構(gòu)建一個(gè)CookieJar對(duì)象實(shí)例來(lái)保存cookie
cookie = http.cookiejar.CookieJar()
# 使用HTTPCookieProcessor()來(lái)創(chuàng)建cookie處理器對(duì)象，參數(shù)為CookieJar()對(duì)象
cookie_handler = urllib.request.HTTPCookieProcessor(cookie)
# 通過(guò)build_opener()來(lái)構(gòu)建opener
opener = urllib.request.build_opener(cookie_handler)
# 設(shè)置User-Agent頭：addheaders接受一個(gè)列表，里面每個(gè)元素都是一個(gè)headers信息的元組，opener將附帶headers信息
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')]
# 需要登錄的賬戶(hù)和密碼
email = input("請(qǐng)輸入您的賬戶(hù)：")
password = input("請(qǐng)輸入您的密碼：")
data = {"email": email, "password": password}
# 通過(guò)urlencode()轉(zhuǎn)碼
postdata = urllib.parse.urlencode(data)
postdata = postdata.encode(encoding = "utf-8")  # str轉(zhuǎn)bytes
# 構(gòu)建Request請(qǐng)求對(duì)象，包含需要發(fā)送的用戶(hù)名和密碼
request = urllib.request.Request("http://www.renren.com/PLogin.do", data = postdata)
# 通過(guò)opener發(fā)送這個(gè)請(qǐng)求，并獲取登錄后的Cookie值
opener.open(request)
# opener包含用戶(hù)登錄后的Cookie值，可以直接訪(fǎng)問(wèn)那些登錄后才可以訪(fǎng)問(wèn)的頁(yè)面
response = opener.open("http://www.renren.com/413928886/profile")
# 獲取頁(yè)面內(nèi)容
html = response.read()
# 將頁(yè)面內(nèi)容存儲(chǔ)至本地磁盤(pán)
fo = open("renren.html", "wb")
fo.write(html)
fo.close()

模擬登錄要注意幾點(diǎn)：

1.登錄一般都會(huì)先有一個(gè)HTTP GET，用于獲取一些信息及獲得Cookie，然后再HTTP POST登錄。

2.HTTP POST登錄的鏈接有可能是動(dòng)態(tài)的，從GET返回的信息中獲取。

3.password（密碼）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(dòng)態(tài)加密的，同時(shí)包括了很多其他數(shù)據(jù)的加密信息，只能通過(guò)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(shù)網(wǎng)站的登錄整體流程是類(lèi)似的，可能部分細(xì)節(jié)不一樣，所以其他網(wǎng)站登錄時(shí)，需根據(jù)具體情況，作對(duì)應(yīng)的修改。

上述就是小編為大家分享的Python爬蟲(chóng)中Handler和Opener的區(qū)別了，如果剛好有類(lèi)似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道。