[Python]网络爬虫2

 

[Python]网络爬虫（四）：Opener与Handler的介绍和实例应用

  分类：

 

爬虫（18）   Python（26） 

更好的学习网址：http://www.voidspace.org.uk/python/articles/urllib2.shtml#openers-and-handlers

以下为个人学习笔记。

在开始后面的内容之前，先来解释一下urllib2中的两个个方法：info and geturl 

urlopen返回的应答对象response(或者HTTPError实例)有两个很有用的方法info()和geturl()

1.geturl()：

这个返回获取的真实的URL，这个很有用，因为urlopen(或者opener对象使用的)或许会有重定向。获取的URL或许跟请求URL不同。

以人人中的一个超级链接为例,

我们建一个urllib2_test10.py来比较一下原始URL和重定向的链接：

[python]  view plain  copy

1. from urllib2 import Request, urlopen, URLError, HTTPError  
2.   
3.   
4. old_url = 'http://rrurl.cn/b1UZuP'  
5. req = Request(old_url)  
6. response = urlopen(req)    
7. print 'Old url :' + old_url  
8. print 'Real url :' + response.geturl()  

运行之后可以看到真正的链接指向的网址：

2.info()：

这个返回对象的字典对象，该字典描述了获取的页面情况。通常是服务器发送的特定头headers。目前是httplib.HTTPMessage 实例。

经典的headers包含"Content-length"，"Content-type"，和其他内容。

我们建一个urllib2_test11.py来测试一下info的应用：

[python]  view plain  copy

1. from urllib2 import Request, urlopen, URLError, HTTPError  
2.   
3. old_url = 'http://www.baidu.com'  
4. req = Request(old_url)  
5. response = urlopen(req)    
6. print 'Info():'  
7. print response.info()  

运行的结果如下，可以看到页面的相关信息：

下面来说一说urllib2中的两个重要概念：Openers和Handlers。

1.Openers：

当你获取一个URL你使用一个opener(一个urllib2.OpenerDirector的实例)。

正常情况下，我们使用默认opener：通过urlopen。

但你能够创建个性的openers。

2.Handles：

Openers使用处理器handlers，所有的“繁重”工作由handlers处理。

每个handlers知道如何通过特定协议打开URLs，或者如何处理URL打开时的各个方面。

例如HTTP重定向或者HTTP cookies。

如果你希望用特定处理器获取URLs你会想创建一个openers，例如获取一个能处理cookie的opener，或者获取一个不重定向的opener。

要创建一个 opener，可以实例化一个OpenerDirector，

然后调用.add_handler(some_handler_instance)。

同样，可以使用build_opener，这是一个更加方便的函数，用来创建opener对象，他只需要一次函数调用。
build_opener默认添加几个处理器，但提供快捷的方法来添加或更新默认处理器。

其他的处理器handlers你或许会希望处理代理，验证，和其他常用但有点特殊的情况。

install_opener 用来创建（全局）默认opener。这个表示调用urlopen将使用你安装的opener。

Opener对象有一个open方法。

该方法可以像urlopen函数那样直接用来获取urls：通常不必调用install_opener，除了为了方便。

说完了上面两个内容，下面我们来看一下基本认证的内容，这里会用到上面提及的Opener和Handler。

Basic Authentication 基本验证

为了展示创建和安装一个handler，我们将使用HTTPBasicAuthHandler。

当需要基础验证时，服务器发送一个header(401错误码) 请求验证。这个指定了scheme 和一个‘realm’，看起来像这样：Www-authenticate: SCHEME realm="REALM".

例如
Www-authenticate: Basic realm="cPanel Users"

客户端必须使用新的请求，并在请求头里包含正确的姓名和密码。

这是“基础验证”，为了简化这个过程，我们可以创建一个HTTPBasicAuthHandler的实例，并让opener使用这个handler就可以啦。

HTTPBasicAuthHandler使用一个密码管理的对象来处理URLs和realms来映射用户名和密码。

如果你知道realm(从服务器发送来的头里)是什么，你就能使用HTTPPasswordMgr。

通常人们不关心realm是什么。那样的话，就能用方便的HTTPPasswordMgrWithDefaultRealm。

这个将在你为URL指定一个默认的用户名和密码。

这将在你为特定realm提供一个其他组合时得到提供。

我们通过给realm参数指定None提供给add_password来指示这种情况。

最高层次的URL是第一个要求验证的URL。你传给.add_password()更深层次的URLs将同样合适。

说了这么多废话，下面来用一个例子演示一下上面说到的内容。

我们建一个urllib2_test12.py来测试一下info的应用：

[python]  view plain  copy

1. # -*- coding: utf-8 -*-  
2. import urllib2  
3.   
4. # 创建一个密码管理者  
5. password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm()  
6.   
7. # 添加用户名和密码  
8.   
9. top_level_url = "http://example.com/foo/"  
10.   
11. # 如果知道 realm, 我们可以使用他代替 ``None``.  
12. # password_mgr.add_password(None, top_level_url, username, password)  
13. password_mgr.add_password(None, top_level_url,'why', '1223')  
14.   
15. # 创建了一个新的handler  
16. handler = urllib2.HTTPBasicAuthHandler(password_mgr)  
17.   
18. # 创建 "opener" (OpenerDirector 实例)  
19. opener = urllib2.build_opener(handler)  
20.   
21. a_url = 'http://www.baidu.com/'  
22.   
23. # 使用 opener 获取一个URL  
24. opener.open(a_url)  
25.   
26. # 安装 opener.  
27. # 现在所有调用 urllib2.urlopen 将用我们的 opener.  
28. urllib2.install_opener(opener)  
29.   
30.    

注意：以上的例子我们仅仅提供我们的HHTPBasicAuthHandler给build_opener。

默认的openers有正常状况的handlers：ProxyHandler，UnknownHandler，HTTPHandler，HTTPDefaultErrorHandler， HTTPRedirectHandler，FTPHandler， FileHandler， HTTPErrorProcessor。

代码中的top_level_url 实际上可以是完整URL(包含"http:"，以及主机名及可选的端口号)。

例如：http://example.com/。

也可以是一个“authority”(即主机名和可选的包含端口号)。

例如：“example.com” or “example.com:8080”。

后者包含了端口号。

 

[Python]网络爬虫（五）：urllib2的使用细节与抓站技巧

  分类：

 

爬虫（18）   Python（26） 

前面说到了urllib2的简单入门，下面整理了一部分urllib2的使用细节。

1.Proxy 的设置

urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。

如果想在程序中明确控制 Proxy 而不受环境变量的影响，可以使用代理。

新建test14来实现一个简单的代理Demo：

[python]  view plain  copy

1. import urllib2  
2. enable_proxy = True  
3. proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})  
4. null_proxy_handler = urllib2.ProxyHandler({})  
5. if enable_proxy:  
6.     opener = urllib2.build_opener(proxy_handler)  
7. else:  
8.     opener = urllib2.build_opener(null_proxy_handler)  
9. urllib2.install_opener(opener)  

这里要注意的一个细节，使用 urllib2.install_opener() 会设置 urllib2 的全局 opener 。

这样后面的使用会很方便，但不能做更细致的控制，比如想在程序中使用两个不同的 Proxy 设置等。

比较好的做法是不使用 install_opener 去更改全局的设置，而只是直接调用 opener 的 open 方法代替全局的 urlopen 方法。

2.Timeout 设置
在老版 Python 中（Python2.6前），urllib2 的 API 并没有暴露 Timeout 的设置，要设置 Timeout 值，只能更改 Socket 的全局 Timeout 值。

[python]  view plain  copy

1. import urllib2  
2. import socket  
3. socket.setdefaulttimeout(10) # 10 秒钟后超时  
4. urllib2.socket.setdefaulttimeout(10) # 另一种方式  

在 Python 2.6 以后，超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。

[python]  view plain  copy

1. import urllib2  
2. response = urllib2.urlopen('http://www.google.com', timeout=10)  

3.在 HTTP Request 中加入特定的 Header

要加入 header，需要使用 Request 对象：

[python]  view plain  copy

1. import urllib2  
2. request = urllib2.Request('http://www.baidu.com/')  
3. request.add_header('User-Agent', 'fake-client')  
4. response = urllib2.urlopen(request)  
5. print response.read()  

对有些 header 要特别留意，服务器会针对这些 header 做检查
User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求
Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。常见的取值有：
application/xml ： 在 XML RPC，如 RESTful/SOAP 调用时使用
application/json ： 在 JSON RPC 调用时使用
application/x-www-form-urlencoded ： 浏览器提交 Web 表单时使用
在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务

4.Redirect
urllib2 默认情况下会针对 HTTP 3XX 返回码自动进行 redirect 动作，无需人工配置。要检测是否发生了 redirect 动作，只要检查一下 Response 的 URL 和 Request 的 URL 是否一致就可以了。

[python]  view plain  copy

1. import urllib2  
2. my_url = 'http://www.google.cn'  
3. response = urllib2.urlopen(my_url)  
4. redirected = response.geturl() == my_url  
5. print redirected  
6.   
7. my_url = 'http://rrurl.cn/b1UZuP'  
8. response = urllib2.urlopen(my_url)  
9. redirected = response.geturl() == my_url  
10. print redirected  

如果不想自动 redirect，除了使用更低层次的 httplib 库之外，还可以自定义HTTPRedirectHandler 类。

[python]  view plain  copy

1. import urllib2  
2. class RedirectHandler(urllib2.HTTPRedirectHandler):  
3.     def http_error_301(self, req, fp, code, msg, headers):  
4.         print "301"  
5.         pass  
6.     def http_error_302(self, req, fp, code, msg, headers):  
7.         print "303"  
8.         pass  
9.   
10. opener = urllib2.build_opener(RedirectHandler)  
11. opener.open('http://rrurl.cn/b1UZuP')  

5.Cookie

urllib2 对 Cookie 的处理也是自动的。如果需要得到某个 Cookie 项的值，可以这么做：

[python]  view plain  copy

1. import urllib2  
2. import cookielib  
3. cookie = cookielib.CookieJar()  
4. opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))  
5. response = opener.open('http://www.baidu.com')  
6. for item in cookie:  
7.     print 'Name = '+item.name  
8.     print 'Value = '+item.value  

运行之后就会输出访问百度的Cookie值：

6.使用 HTTP 的 PUT 和 DELETE 方法

urllib2 只支持 HTTP 的 GET 和 POST 方法，如果要使用 HTTP PUT 和 DELETE ，只能使用比较低层的 httplib 库。虽然如此，我们还是能通过下面的方式，使 urllib2 能够发出 PUT 或DELETE 的请求：

[python]  view plain  copy

1. import urllib2  
2. request = urllib2.Request(uri, data=data)  
3. request.get_method = lambda: 'PUT' # or 'DELETE'  
4. response = urllib2.urlopen(request)  

7.得到 HTTP 的返回码

对于 200 OK 来说，只要使用 urlopen 返回的 response 对象的 getcode() 方法就可以得到 HTTP 的返回码。但对其它返回码来说，urlopen 会抛出异常。这时候，就要检查异常对象的 code 属性了：

[python]  view plain  copy

1. import urllib2  
2. try:  
3.     response = urllib2.urlopen('http://bbs.csdn.net/why')  
4. except urllib2.HTTPError, e:  
5.     print e.code  

8.Debug Log

使用 urllib2 时，可以通过下面的方法把 debug Log 打开，这样收发包的内容就会在屏幕上打印出来，方便调试，有时可以省去抓包的工作

[python]  view plain  copy

1. import urllib2  
2. httpHandler = urllib2.HTTPHandler(debuglevel=1)  
3. httpsHandler = urllib2.HTTPSHandler(debuglevel=1)  
4. opener = urllib2.build_opener(httpHandler, httpsHandler)  
5. urllib2.install_opener(opener)  
6. response = urllib2.urlopen('http://www.google.com')  

这样就可以看到传输的数据包内容了：

9.表单的处理

登录必要填表，表单怎么填？

首先利用工具截取所要填表的内容。
比如我一般用firefox+httpfox插件来看看自己到底发送了些什么包。
以verycd为例，先找到自己发的POST请求，以及POST表单项。
可以看到verycd的话需要填username,password,continueURI,fk,login_submit这几项，其中fk是随机生成的（其实不太随机，看上去像是把epoch时间经过简单的编码生成的），需要从网页获取，也就是说得先访问一次网页，用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写，login_submit是固定的，这从源码可以看出。还有username，password那就很显然了：

[python]  view plain  copy

1. # -*- coding: utf-8 -*-  
2. import urllib  
3. import urllib2  
4. postdata=urllib.urlencode({  
5.     'username':'汪小光',  
6.     'password':'why888',  
7.     'continueURI':'http://www.verycd.com/',  
8.     'fk':'',  
9.     'login_submit':'登录'  
10. })  
11. req = urllib2.Request(  
12.     url = 'http://secure.verycd.com/signin',  
13.     data = postdata  
14. )  
15. result = urllib2.urlopen(req)  
16. print result.read()   

10.伪装成浏览器访问
某些网站反感爬虫的到访，于是对爬虫一律拒绝请求
这时候我们需要伪装成浏览器，这可以通过修改http包中的header来实现

[python]  view plain  copy

1. #…  
2.   
3. headers = {  
4.     'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'  
5. }  
6. req = urllib2.Request(  
7.     url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',  
8.     data = postdata,  
9.     headers = headers  
10. )  
11. #...  

11.对付"反盗链"
某些站点有所谓的反盗链设置，其实说穿了很简单，

就是检查你发送请求的header里面，referer站点是不是他自己，

所以我们只需要像把headers的referer改成该网站即可，以cnbeta为例：

#...
headers = {
    'Referer':'http://www.cnbeta.com/articles'
}
#...

headers是一个dict数据结构，你可以放入任何想要的header，来做一些伪装。

例如，有些网站喜欢读取header中的X-Forwarded-For来看看人家的真实IP，可以直接把X-Forwarde-For改了。

 

[Python]网络爬虫（六）：一个简单的百度贴吧的小爬虫

  分类：

 

爬虫（18）   Python（26） 

[python]  view plain  copy

1. # -*- coding: utf-8 -*-  
2. #---------------------------------------  
3. #   程序：百度贴吧爬虫  
4. #   版本：0.1  
5. #   作者：why  
6. #   日期：2013-05-14  
7. #   语言：Python 2.7  
8. #   操作：输入带分页的地址，去掉最后面的数字，设置一下起始页数和终点页数。  
9. #   功能：下载对应页码内的所有页面并存储为html文件。  
10. #---------------------------------------  
11.    
12. import string, urllib2  
13.    
14. #定义百度函数  
15. def baidu_tieba(url,begin_page,end_page):     
16.     for i in range(begin_page, end_page+1):  
17.         sName = string.zfill(i,5) + '.html'#自动填充成六位的文件名  
18.         print '正在下载第' + str(i) + '个网页，并将其存储为' + sName + '......'  
19.         f = open(sName,'w+')  
20.         m = urllib2.urlopen(url + str(i)).read()  
21.         f.write(m)  
22.         f.close()  
23.    
24.    
25. #-------- 在这里输入参数 ------------------  
26.   
27. # 这个是山东大学的百度贴吧中某一个帖子的地址  
28. #bdurl = 'http://tieba.baidu.com/p/2296017831?pn='  
29. #iPostBegin = 1  
30. #iPostEnd = 10  
31.   
32. bdurl = str(raw_input(u'请输入贴吧的地址，去掉pn=后面的数字：\n'))  
33. begin_page = int(raw_input(u'请输入开始的页数：\n'))  
34. end_page = int(raw_input(u'请输入终点的页数：\n'))  
35. #-------- 在这里输入参数 ------------------  
36.    
37.   
38. #调用  
39. baidu_tieba(bdurl,begin_page,end_page)