python http 相关资料

最新推荐文章于 2024-09-25 21:45:07 发布

转载最新推荐文章于 2024-09-25 21:45:07 发布 · 2k 阅读

本文详述了使用Python实现网络爬虫，包括登录网站、处理Cookie、下载文档的过程。通过实例展示了如何利用Python的urllib2库进行网页登录、处理验证码和下载特定页面内容，为需要进行自动化数据抓取的用户提供实用指南。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

http://blog.sina.com.cn/s/blog_74a7e56e010177l8.html

早听说用python做网络爬虫非常方便，正好这几天单位也有这样的需求，需要登陆XX网站下载部分文档，于是自己亲身试验了一番，效果还不错。

本例所登录的某网站需要提供用户名，密码和验证码，在此使用了python的urllib2直接登录网站并处理网站的Cookie。

Cookie的工作原理：

Cookie由服务端生成，然后发送给浏览器，浏览器会将Cookie保存在某个目录下的文本文件中。在下次请求同一网站时，会发送该Cookie给服务器，这样服务器就知道该用户是否合法以及是否需要重新登录。

Python提供了基本的cookielib库，在首次访问某页面时，cookie便会自动保存下来，之后访问其它页面便都会带有正常登录的Cookie了。

原理：

（1）激活cookie功能

（2）反“反盗链”，伪装成浏览器访问

（3）访问验证码链接，并将验证码图片下载到本地

（4）验证码的识别方案网上较多，python也有自己的图像处理库，此例调用了火车头采集器的OCR识别接口。

（5）表单的处理，可用fiddler等抓包工具获取需要提交的参数

（6）生成需要提交的数据，生成http请求并发送

（7）根据返回的js页面判断是否登陆成功

（8）登陆成功后下载其它页面

此例中使用多个账号轮询登陆，每个账号下载3个页面。

下载网址因为某些问题，就不透露了。

以下是部分代码：

#!usr/bin/env python


#-*- coding: utf-8 -*-


import os
import urllib2
import urllib
import cookielib
import xml.etree.ElementTree as ET


#-----------------------------------------------------------------------------
# Login in www.***.com.cn
def ChinaBiddingLogin(url, username, password):
        # Enable cookie support for urllib2
        cookiejar=cookielib.CookieJar()
        urlopener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cookiejar))
        urllib2.install_opener(urlopener)
        
        urlopener.addheaders.append(('Referer', 'http://www.chinabidding.com.cn/zbw/login/login.jsp'))
        urlopener.addheaders.append(('Accept-Language', 'zh-CN'))
        urlopener.addheaders.append(('Host', 'www.chinabidding.com.cn'))
        urlopener.addheaders.append(('User-Agent', 'Mozilla/5.0 (compatible; MISE 9.0; Windows NT 6.1); Trident/5.0'))
        urlopener.addheaders.append(('Connection', 'Keep-Alive'))


        print 'XXX Login......'


        imgurl=r'http://www.*****.com.cn/zbw/login/image.jsp'
        DownloadFile(imgurl, urlopener)
        authcode=raw_input('Please enter the authcode:')
        #authcode=VerifyingCodeRecognization(r"http://192.168.0.106/images/code.jpg")


        # Send login/password to the site and get the session cookie
        values={'login_id':username, 'opl':'op_login', 'login_passwd':password, 'login_check':authcode}
        urlcontent=urlopener.open(urllib2.Request(url, urllib.urlencode(values)))
        page=urlcontent.read(500000)


        # Make sure we are logged in, check the returned page content
        if page.find('login.jsp')!=-1:
                print 'Login failed with username=%s, password=%s and authcode=%s' \
                                % (username, password, authcode)
                return False
        else:
                print 'Login succeeded!'
                return True


#-----------------------------------------------------------------------------
# Download from fileUrl then save to fileToSave
# Note: the fileUrl must be a valid file
def DownloadFile(fileUrl, urlopener):
        isDownOk=False


        try:
                if fileUrl:
                        outfile=open(r'/var/www/images/code.jpg', 'w')
                        outfile.write(urlopener.open(urllib2.Request(fileUrl)).read())
                        outfile.close()


                        isDownOK=True
                else:
                        print 'ERROR: fileUrl is NULL!'
        except:
                isDownOK=False


        return isDownOK


#------------------------------------------------------------------------------
# Verifying code recoginization
def VerifyingCodeRecognization(imgurl):
        url=r'http://192.168.0.119:800/api?'
        user='admin'
        pwd='admin'
        model='ocr'
        ocrfile='cbi'


        values={'user':user, 'pwd':pwd, 'model':model, 'ocrfile':ocrfile, 'imgurl':imgurl}
        data=urllib.urlencode(values)


        try:
                url+=data
                urlcontent=urllib2.urlopen(url)
        except IOError:
                print '***ERROR: invalid URL (%s)' % url


        page=urlcontent.read(500000)


        # Parse the xml data and get the verifying code
        root=ET.fromstring(page)
        node_find=root.find('AddField')
        authcode=node_find.attrib['data']


        return authcode


#------------------------------------------------------------------------------
# Read users from configure file
def ReadUsersFromFile(filename):
        users={}
        for eachLine in open(filename, 'r'):
                info=[w for w in eachLine.strip().split()]
                if len(info)==2:
                        users[info[0]]=info[1]


        return users


#------------------------------------------------------------------------------
def main():
        login_page=r'http://www.***.com.cnlogin/login.jsp'
        download_page=r'http://www.***.com.cn***/***?record_id='


        start_id=8593330
        end_id=8595000


        now_id=start_id
        Users=ReadUsersFromFile('users.conf')
        while True:
                for key in Users:
                        if ChinaBiddingLogin(login_page, key, Users[key]):
                                for i in range(3):
                                        pageUrl=download_page+'%d' % now_id
                                        urlcontent=urllib2.urlopen(pageUrl)


                                        filepath='./download/%s.html' % now_id
                                        f=open(filepath, 'w')
                                        f.write(urlcontent.read(500000))
                                        f.close()


                                        now_id+=1
                        else:
                                continue
#------------------------------------------------------------------------------


if __name__=='__main__':
        main()

python登陆网页并处理网站session和cookie

import cookielib, urllib, urllib2

login = 'ismellbacon123@yahoo.com'
password = 'login'

# Enable cookie support for urllib2
cookiejar = cookielib.CookieJar()
urlOpener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookiejar))

# Send login/password to the site and get the session cookie
values = {'login':login, 'password':password }
data = urllib.urlencode(values)
request = urllib2.Request("http://www.imdb.com/register/login", data)
url = urlOpener.open(request)  # Our cookiejar automatically receives the cookies
page = url.read(500000)

# Make sure we are logged in by checking the presence of the cookie "id".
# (which is the cookie containing the session identifier.)
if not 'id' in [cookie.name for cookie in cookiejar]:
    raise ValueError, "Login failed with login=%s, password=%s" % (login,password)

print "We are logged in !"

# Make another request with our session cookie
# (Our urlOpener automatically uses cookies from our cookiejar)
url = urlOpener.open('http://imdb.com/find?s=all&q=grave')
page = url.read(200000)

这篇文章主要介绍了python采用requests库模拟登录和抓取数据的简单示例，代码简单却功能强大！需要的朋友可以参考下

如果你还在为python的各种urllib和urlibs，cookielib 头疼，或者还还在为python模拟登录和抓取数据而抓狂，那么来看看我们推荐的requests，python采集数据模拟登录必备利器！

这也是python推荐的HTTP客户端库：

本文就以一个模拟登录的例子来加以说明，至于采集大家就请自行发挥吧。

代码很简单，主要是展现python的requests库的简单至极，代码如下：

s = requests.session()

 data = {'user':'用户名','passdw':'密码'}

#post 换成登录的地址，

res=s.post('http://www.xxx.net/index.php?action=login',data);

#换成抓取的地址

s.get('http://www.xxx.net/archives/155/');

有几种方法。一种是设置环境变量http_proxy，它会自动访问这个。另外一种是你使用urllib2的时候，在参数里加上代理。还有一个是urllib上指定。

比如

import urllib
urllib.urlopen(某网站，proxyes={'http:':"某代理IP地址:代理的端口"})

proxy_handle = urllib.request.ProxyHandler({'http':random.choice(proxy_list)})
opener = urllib.request.build_opener(proxy_handle)
response = opener.open(url)

Python3中使用代理访问网页

实验室使用代理上网，因此如果使用Python写程序访问网络的话就必须设置代理。

Python3将urllib和urllib2合二为一，而且重组了下包结构。网上很多的代码都是Python2的，所以自己看了下文档。

但是问题还是有的，根据http://markmail.org/thread/vzegucz53ouwykz4#query:+page:1+mid:2pluljbacgfwte3j+state:results中所述，urllib2 只支持 HTTP_GET 的代理，而CCProxy只支持HTTP_Connect的代理，因此如果上网的话就不能使用CCProxy作为代理了。

import urllib.request  
	proxy_handler = urllib.request.ProxyHandler({'http':'123.123.2123.123:8080'})  
proxy_auth_handler = urllib.request.ProxyBasicAuthHandler()  
proxy_auth_handler.add_password('realm', '123.123.2123.123', 'user', 'password')  
opener = urllib.request.build_opener(urllib.request.HTTPHandler, proxy_handler)  
f = opener.open('http://www.baidu.com')   
a = f.read()