Python爬蟲中Handler和Opener的區別

這期內容當中小編將會給大家帶來有關Python爬蟲中Handler和Opener的區別，文章內容豐富且以專業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——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.使用相差的Handler處理器來創建特定功能的處理器對象；

2.然后通過urllib.request.build_opener()方法，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()

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
import urllib.request
 
# 構建一個HTTPHandler處理器對象，支持處理HTTP請求。
http_handler = urllib.request.HTTPHandler()
# # 構建一個HTTPSHandler處理器對象，支持處理HTTPS請求
# https_handler = urllib.request.HTTPSHandler()
 
# 調用urllib.request.build_opener()方法，創建支持處理HTTP請求的opener對象
opener = urllib.request.build_opener(http_handler)
 
# 構建Request請求
request = urllib.request.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
html = response.read()
 
print(html)

這種方式發送請求得到的結果，和使用urllib.request.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，方便調度，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 = urllib.request.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 = urllib.request.HTTPSHandler(debuglevel = 1)

ProxyHandler處理器（IP代理設置）

很多網站會檢測某一段時間IP的訪問次數（通過流量統計、系統日志等），如果某個IP訪問次數多的不像正常人，它會禁止這個IP的訪問。

所以我們通常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。

urllib.request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：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
"""
ProxyHandler處理器（代理設置）
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。
所以我們可能通過設置一些代理服務器，每隔一段時間換一個代理IP，就算IP被禁
止，我們依然可以換個IP繼續爬取。
"""
 
import urllib.request
 
# 構建了兩個代理Handler，一個有代理IP，一個沒有代理IP
http_proxy_handler = urllib.request.ProxyHandler({"http":"222.33.192.238:8118"})
null_proxy_handler = urllib.request.ProxyHandler({})
 
# 定義一個代理開關
proxy_switch = True
 
# 根據代理開關是否拱形，使用不同的代理模式
# 通過urllib.request.build_opener()方法使用這些代理Handler對象，創建自定義opener對象
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，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。
# urllib.request.install_opener(opener)
# response = urlopen(request)
html = response.read()
 
print(html)

免費的開放代理獲取基本沒有什么成本，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。

免費代理網站舉例：

（1）西刺免費代理IP

（2）快代理免費代理

（3）Proxy360代理

（4）全網代理IP

如果代理IP足夠多，就可以讓程序隨機獲取一個代理IP去訪問網站。

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"}
]
 
# 隨機選擇一個代理
proxy = random.choice(proxy_list)

但是，這些免費開放的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。

所以，要根據自己的需求，選擇是否需要使用高品質的私密代理（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）。

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原理

HTTP是無狀態的面向連接的協議，為了保持連接狀態，引入了Cookie機制，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進行安全連接（Secure）。 
前兩個參數是Cookie應用的必要條件，另外，還包括Cookie大小（Size，不同瀏覽器對Cookie個數及大小限制是有差異的）。

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

http.cookiejar庫和HTTPCookieProcessor處理器

在Python3.x處理Cookie，一般是通過http.cookjar模塊和urllib.request模塊的HTTPCookieProcessor處理器類一起使用。

http.cookjar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，并構建handler對象。

http.cookjar庫

該模塊主要的對象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。

（1）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。

（2）FileCookieJar(filename, delayload = None, policy = None)：從CookieJar派生而來，用來創建FileCookieJar實例，檢索cookie信息并將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文件中存儲數據。

（3）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。

（4）LWPCookieJar(filename, delayload = None, policy = None)：從FileCookieJar派生而來，創建與libwww-perl標準的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MozillaCookiejar()或LWPCookieJar()。

案例：利用http.cookiejar和post登錄人人網

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
"""
利用http.cookiejar和post登錄人人網
url = "http://www.renren.com/PLogin.do"
"""
 
import urllib
import urllib.request
import http.cookiejar
 
# 構建一個CookieJar對象實例來保存cookie
cookie = http.cookiejar.CookieJar()
# 使用HTTPCookieProcessor()來創建cookie處理器對象，參數為CookieJar()對象
cookie_handler = urllib.request.HTTPCookieProcessor(cookie)
# 通過build_opener()來構建opener
opener = urllib.request.build_opener(cookie_handler)
# 設置User-Agent頭：addheaders接受一個列表，里面每個元素都是一個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')]
# 需要登錄的賬戶和密碼
email = input("請輸入您的賬戶：")
password = input("請輸入您的密碼：")
data = {"email": email, "password": password}
# 通過urlencode()轉碼
postdata = urllib.parse.urlencode(data)
postdata = postdata.encode(encoding = "utf-8")  # str轉bytes
# 構建Request請求對象，包含需要發送的用戶名和密碼
request = urllib.request.Request("http://www.renren.com/PLogin.do", data = postdata)
# 通過opener發送這個請求，并獲取登錄后的Cookie值
opener.open(request)
# 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/413928886/profile")
# 獲取頁面內容
html = response.read()
# 將頁面內容存儲至本地磁盤
fo = open("renren.html", "wb")
fo.write(html)
fo.close()

模擬登錄要注意幾點：

1.登錄一般都會先有一個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態的，從GET返回的信息中獲取。

3.password（密碼）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，可能部分細節不一樣，所以其他網站登錄時，需根據具體情況，作對應的修改。

上述就是小編為大家分享的Python爬蟲中Handler和Opener的區別了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。