Python 基于 urllib 使用 Handler 处理器（代理）

一、简介

• 为啥要使用 Handler?

  1、urllib.request.urlopen(url) 不能定制请求头。

  2、urllib.request.Request(url, data, headers) 可以定制请求头。

  3、Handler 定制更高级的请求头（随着业务逻辑的复杂，请求对象的定制已经满足不了需求，比如：动态 cookie和代理不能使用请求对象的定制）。

• 要爬取的各种各样的网页，有一部填写需要验证码，有的需要 cookie，还有更多许多高级的功能，会阻碍你爬，而对于 openurl 单纯点理解就是打开网页。openurl 打开一个网址，它可以是一个字符串或者是一个 request 对象。而 build_opener 就是多了 handler，处理问题更专，更个性化。

• 简单使用，通过 Handler 去完成 urlopen 打开网页的操作。

  # 使用 urllib
  import urllib.request
  
  # 定义 header
  headers = {
    # UA 最基本的防爬识别
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
  }
  
  # 1、定义一个 https 的 url
  url = 'https://www.baidu.com'
  
  # 2、定义一个 Request 对象，urlopen 方法并不能直接带 header。
  # 细节：为什么这里需要写 url=url 而有的地方不需要？因为 Request 构造方法传参顺序问题 Request(url, data=None, headers={} ...)
  request = urllib.request.Request(url=url, headers=headers)
  
  # 3、获取 Handler 对象
  handler = urllib.request.HTTPHandler()
  
  # 4、获取 opener 对象
  opener = urllib.request.build_opener(handler)
  
  # 5、调用 open 方法
  response = opener.open(request)
  
  # 6、获取内容字符串
  content = response.read().decode('utf-8')
  
  # 7 输出
  print(content)
  

二、IP代理

• 使用同一个 IP 去不断地访问爬取数据，容易被对方服务器封 IP，这个时候就需要使用代理，简单点说，就是使用 N 个别人的 IP 去访问爬取数据。

• 代理配置步骤：（参考上面 简单使用 案例步骤）

  1、创建 Request 对象

  2、创建 ProxyHandler 对象

  3、用 handler 对象创建 opener 对象

  4、使用 opener.open 函数发送请求

• 使用案例

  # 使用 urllib
  import urllib.request
  # 使用 random
  import random
  
  # 定义 header
  headers = {
    # UA 最基本的防爬识别
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
  }
  
  # 方式一：字典形式的IP代理（https://www.kuaidaili.com/free/）
  # proxies = { 'http': '112.14.47.6:52024' }
  
  # 方式二：定义一个代理池，然后随机从代理池中获取一个代理
  proxies_pool = [
    { 'http':'112.14.47.6:52024' },
    { 'http':'61.164.39.68:53281' }
  ]
  proxies = random.choice(proxies_pool)
  
  # 输出当前代理
  print(proxies)
  
  # 1、定义一个 https 的 url
  url = 'https://www.baidu.com/s?wd=ip'
  
  # 2、定义一个 Request 对象，urlopen 方法并不能直接带 header。
  # 细节：为什么这里需要写 url=url 而有的地方不需要？因为 Request 构造方法传参顺序问题 Request(url, data=None, headers={} ...)
  request = urllib.request.Request(url=url, headers=headers)
  
  # 3、获取 Handler 对象
  handler = urllib.request.ProxyHandler(proxies=proxies)
  
  # 4、获取 opener 对象
  opener = urllib.request.build_opener(handler)
  
  # 5、调用 open 方法
  response = opener.open(request)
  
  # 6、获取内容字符串
  content = response.read().decode('utf-8')
  
  # 7 保存，可以方便校验IP是否代理成狗
  with open('ip.html', 'w', encoding='utf-8') as f:
    f.write(content)