Handler處理器 和 自定義Opener
1. 概述
opener是 urllib2.OpenerDirector 的實例，我們之前一直都在使用的urlopen，它是一個特殊的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：
使用相關的Handler處理器來創建特定功能的處理器對象；
然后通過urllib2.build_opener()方法使用這些處理器對象，創建自定義opener對象；
使用自定義的opener對象，調用open()方法發送請求。
注意：如果程序里所有的請求都使用自定義的opener，可以使用urllib2.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）。
2. 簡單的自定義openner()
importurllib2
# 構建一個HTTPHandler 處理器對象，支持處理HTTP請求http_handler = urllib2.HTTPHandler()
# 調用urllib2.build_opener()方法，創建支持處理HTTP請求的opener對象
opener = urllib2.build_opener(http_handler)
# 構建 Request請求request = urllib2.Request("http://www.baidu.com/")
# 調用自定義opener對象的open()方法，發送request請求
# （注意區別：不再通過urllib2.urlopen()發送請求）
response = opener.open(request)# 獲取服務器響應內容printresponse.read()
這種方式發送請求得到的結果，和使用urllib2.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，方便調試，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 = urllib2.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 = urllib2.HTTPSHandler(debuglevel=1)
3. ProxyHandler處理器（代理設置）
使用代理IP，這是爬蟲/反爬蟲的第二大招，通常也是最好用的。
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。
urllib2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：
#urllib2_proxy1.py
import urllib2
# 構建了兩個代理Handler，一個有代理IP，一個沒有代理IP
httpproxy_handler = urllib2.ProxyHandler({"http" : "124.88.67.81:80"})
nullproxy_handler = urllib2.ProxyHandler({})
proxySwitch = True #定義一個代理開關
# 通過 urllib2.build_opener()方法使用這些代理Handler對象，創建自定義opener對象
# 根據代理開關是否打開，使用不同的代理模式
if proxySwitch:
opener = urllib2.build_opener(httpproxy_handler)
else:
opener = urllib2.build_opener(nullproxy_handler)
request = urllib2.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。
# urllib2.install_opener(opener)
# response = urlopen(request)
print response.read()
4.?HTTPPasswordMgrWithDefaultRealm()
HTTPPasswordMgrWithDefaultRealm()類將創建一個密碼管理對象，用來保存 HTTP 請求相關的用戶名和密碼，主要應用兩個場景：
<1>驗證代理授權的用戶名和密碼 (ProxyBasicAuthHandler())
<2>驗證Web客戶端的的用戶名和密碼 (HTTPBasicAuthHandler())
ProxyBasicAuthHandler(代理授權驗證)(建議使用)
如果我們使用之前的代碼來使用私密代理，會報 HTTP 407 錯誤，表示代理沒有通過身份驗證：
urllib2.HTTPError: HTTP Error 407: Proxy Authentication Required
所以我們需要改寫代碼，通過：
<1>HTTPPasswordMgrWithDefaultRealm()：來保存私密代理的用戶密碼
<2>ProxyBasicAuthHandler()：來處理代理的身份驗證。
HTTPBasicAuthHandler處理器（Web客戶端授權驗證）
有些Web服務器（包括HTTP/FTP等）的有些頁面并不想提供公共訪問權限，或者某些頁面不希望公開，但是可以讓特定的客戶端訪問。那么用戶在訪問時會要求進行身份認證。
爬蟲直接訪問會報HTTP 401 錯誤，表示訪問身份未經授權：
urllib2.HTTPError: HTTP Error 401: Unauthorized
from urllib import request
# 用戶名
user = "Test"
# 密碼
passwd = "123456"
# Web服務器 IP
webserver = "http://192.168.105.29"
# 1. 構建一個密碼管理對象，用來保存需要處理的用戶名和密碼
passwdmgr = request.HTTPPasswordMgrWithDefaultRealm()
# 2. 添加賬戶信息，第一個參數realm是與遠程服務器相關的域信息，一般沒人管它都是寫None，后面三個參數分別是 Web服務器、用戶名、密碼
passwdmgr.add_password(None, webserver, user, passwd)
# 3. 構建一個HTTP基礎用戶名/密碼驗證的HTTPBasicAuthHandler處理器對象，參數是創建的密碼管理對象
httpauth_handler = request.HTTPBasicAuthHandler(passwdmgr)
# 4. 通過 build_opener()方法使用這些代理Handler對象，創建自定義opener對象，參數包括構建的 proxy_handler
opener = request.build_opener(httpauth_handler)
# 5. 可以選擇通過install_opener()方法定義opener為全局opener
request.install_opener(opener)
# 6. 構建 Request對象
req = request.Request("http://192.168.105.29")
# 7. 定義opener為全局opener后，可直接使用urlopen()發送請求
response = request.urlopen(req)
# 8. 打印響應內容
print(response.read())
5. Cookie
5.1 概述
HTTP是無狀態的面向連接的協議，服務器和客戶端的交互僅限于請求/響應過程，結束之后便斷開，在下一次請求時，服務器會認為新的客戶端。為了維護他們之間的鏈接，讓服務器知道這是之前某個用戶發送的請求，則必須在一個地方保存客戶端的信息。
Cookie：通過在 客戶端 記錄的信息確定用戶的身份。
Session：通過在 服務器端 記錄的信息確定用戶的身份。
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。
5.2 Cookie屬性
Cookie是http請求報頭中的一種屬性，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（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
5.3 cookie應用
Cookies在爬蟲方面最典型的應用是判定注冊用戶是否已經登錄網站，在下一次進入此網站時保留用戶信息，可以簡化登錄或其他驗證過程。
# 獲取一個有登錄信息的Cookie模擬登陸
import urllib2
# 1. 構建一個已經登錄過的用戶的headers信息
headers = {
"Host":"www.renren.com",
"Connection":"keep-alive",
"Upgrade-Insecure-Requests":"1",
"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",
"Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
"Accept-Language":"zh-CN,zh;q=0.8,en;q=0.6",
# 便于終端閱讀，表示不支持壓縮文件
# Accept-Encoding: gzip, deflate, sdch,
# 重點：這個Cookie是一個保存了用戶登錄狀態的Cookie
"Cookie": "anonymid=ixrna3fysufnwv; depovince=GW; _r01_=1; JSESSIONID=abcmaDhEdqIlM7riy5iMv; jebe_key=f6fb270b-d06d-42e6-8b53-e67c3156aa7e%7Cc13c37f53bca9e1e7132d4b58ce00fa3%7C1484060607478%7C1%7C1484060607173; jebecookies=26fb58d1-cbe7-4fc3-a4ad-592233d1b42e|||||; ick_login=1f2b895d-34c7-4a1d-afb7-d84666fad409; _de=BF09EE3A28DED52E6B65F6A4705D973F1383380866D39FF5; p=99e54330ba9f910b02e6b08058f780479; ap=327550029; first_login_flag=1; ln_uact=mr_mao_hacker@163.com; ln_hurl=http://hdn.xnimg.cn/photos/hdn521/20140529/1055/h_main_9A3Z_e0c300019f6a195a.jpg; t=214ca9a28f70ca6aa0801404dda4f6789; societyguester=214ca9a28f70ca6aa0801404dda4f6789; id=327550029; xnsid=745033c5; ver=7.0; loginfrom=syshome"
}
# 2. 通過headers里的報頭信息（主要是Cookie信息），構建Request對象
urllib2.Request("http://www.renren.com/", headers = headers)
# 3. 直接訪問renren主頁，服務器會根據headers報頭信息（主要是Cookie信息），判斷這是一個已經登錄的用戶，并返回相應的頁面
response = urllib2.urlopen(request)
# 4. 打印響應內容
print response.read()
5.3 cookielib庫 和 HTTPCookieProcessor處理器
在Python處理Cookie，一般是通過cookielib模塊和 urllib.request模塊的HTTPCookieProcessor處理器類一起使用。
cookielib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。
cookielib 庫
該模塊主要的對象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。
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。
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在文件中存儲數據。
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。
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 MozillaCookjar() 或 LWPCookieJar()
5.4 cookie的應用
應用一? 獲取登錄過的百度的cookie
# urllib2_cookielibtest2.py
import cookielib
import urllib2
# 創建MozillaCookieJar(有load實現)實例對象
cookiejar = cookielib.MozillaCookieJar()
# 從文件中讀取cookie內容到變量
cookie.load('cookie.txt')
# 使用HTTPCookieProcessor()來創建cookie處理器對象，參數為CookieJar()對象
handler = urllib2.HTTPCookieProcessor(cookiejar)
# 通過 build_opener() 來構建opener
opener = urllib2.build_opener(handler)
response = opener.open("http://www.baidu.com")
應用二 利用cookielib和post登錄人人網
import urllib
import urllib2
import cookielib
# 1. 構建一個CookieJar對象實例來保存cookie
cookie = cookielib.CookieJar()
# 2. 使用HTTPCookieProcessor()來創建cookie處理器對象，參數為CookieJar()對象
cookie_handler = urllib2.HTTPCookieProcessor(cookie)
# 3. 通過 build_opener() 來構建opener
opener = urllib2.build_opener(cookie_handler)
# 4. addheaders 接受一個列表，里面每個元素都是一個headers信息的元祖, opener將附帶headers信息
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")]
# 5. 需要登錄的賬戶和密碼
data = {"email":"mr_mao_hacker@163.com", "password":"alaxxxxxime"}
# 6. 通過urlencode()轉碼
postdata = urllib.urlencode(data)
# 7. 構建Request請求對象，包含需要發送的用戶名和密碼
request = urllib2.Request("http://www.renren.com/PLogin.do", data = postdata)
# 8. 通過opener發送這個請求，并獲取登錄后的Cookie值，
opener.open(request)
# 9. 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/410043129/profile")
# 10. 打印響應內容
print response.read()
