在Python中使用mechanize模塊模擬瀏覽器功能

更新時間：2015年05月05日 16:55:54 作者：xrzs

這篇文章主要介紹了在Python中使用mechanize模塊模擬瀏覽器功能,包括使用cookie和設(shè)置代理等功能的實現(xiàn),需要的朋友可以參考下

知道如何快速在命令行或者python腳本中實例化一個瀏覽器通常是非常有用的。
每次我需要做任何關(guān)于web的自動任務時，我都使用這段python代碼去模擬一個瀏覽器。

import mechanize
import cookielib
# Browser
br = mechanize.Browser()
# Cookie Jar
cj = cookielib.LWPCookieJar()
br.set_cookiejar(cj)
# Browser options
br.set_handle_equiv(True)
br.set_handle_gzip(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)
# Follows refresh 0 but not hangs on refresh > 0
br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)
# Want debugging messages?
#br.set_debug_http(True)
#br.set_debug_redirects(True)
#br.set_debug_responses(True)
# User-Agent (this is cheating, ok?)
br.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]

現(xiàn)在你得到了一個瀏覽器的示例，br對象。使用這個對象，便可以打開一個頁面，使用類似如下的代碼:

# Open some site, let's pick a random one, the first that pops in mind:
r = br.open('http://google.com')
html = r.read()
# Show the source
print html
# or
print br.response().read()
# Show the html title
print br.title()
# Show the response headers
print r.info()
# or
print br.response().info()
# Show the available forms
for f in br.forms():
  print f
# Select the first (index zero) form
br.select_form(nr=0)
# Let's search
br.form['q']='weekend codes'
br.submit()
print br.response().read()
# Looking at some results in link format
for l in br.links(url_regex='stockrt'):
  print l

如果你訪問的網(wǎng)站需要驗證(http basic auth),那么:

# If the protected site didn't receive the authentication data you would
# end up with a 410 error in your face
br.add_password('http://safe-site.domain', 'username', 'password')
br.open('http://safe-site.domain')

由于之前使用了Cookie Jar，你不需要管理網(wǎng)站的登錄session。也就是不需要管理需要POST一個用戶名和密碼的情況。
通常這種情況，網(wǎng)站會請求你的瀏覽器去存儲一個session cookie除非你重復登陸，
而導致你的cookie中含有這個字段。所有這些事情，存儲和重發(fā)這個session cookie已經(jīng)被Cookie Jar搞定了，爽吧。
同時，你可以管理你的瀏覽器歷史:

# Testing presence of link (if the link is not found you would have to
# handle a LinkNotFoundError exception)
br.find_link(text='Weekend codes')
# Actually clicking the link
req = br.click_link(text='Weekend codes')
br.open(req)
print br.response().read()
print br.geturl()
# Back
br.back()
print br.response().read()
print br.geturl()

下載一個文件:

# Download
f = br.retrieve('http://www.google.com.br/intl/pt-BR_br/images/logo.gif')[0]
print f
fh = open(f)

為http設(shè)置代理

# Proxy and user/password
br.set_proxies({"http": "joe:password@myproxy.example.com:3128"})
# Proxy
br.set_proxies({"http": "myproxy.example.com:3128"})
# Proxy password
br.add_proxy_password("joe", "password")

但是，如果你只想要打開網(wǎng)頁，而不需要之前所有神奇的功能，那你可以:

# Simple open?
import urllib2
print urllib2.urlopen('http://stockrt.github.com').read()
# With password?
import urllib
opener = urllib.FancyURLopener()
print opener.open('http://user:password@stockrt.github.com').read()

你可以通過 mechanize官方網(wǎng)站， mechanize文檔和ClientForm的文檔了解更多。

原文來自：http://reyoung.me/index.php/2012/08/08/%E7%BF%BB%E8%AF%91%E4%BD%BF%E7%94%A8python%E6%A8%A1%E4%BB%BF%E6%B5%8F%E8%A7%88%E5%99%A8%E8%A1%8C%E4%B8%BA/

——————————————————————————————

最后來聊下通過代碼訪問頁面時的一個很重要的概念和技術(shù)：cookie

我們都知道HTTP是無連接的狀態(tài)協(xié)議，但是客戶端和服務器端需要保持一些相互信息，比如cookie，有了cookie，服務器才能知道剛才是這個用戶登錄了網(wǎng)站，才會給予客戶端訪問一些頁面的權(quán)限。
比如用瀏覽器登錄新浪微博，必須先登錄，登陸成功后，打開其他的網(wǎng)頁才能夠訪問。用程序登錄新浪微博或其他驗證網(wǎng)站，關(guān)鍵點也在于需要保存cookie，之后附帶cookie再來訪問網(wǎng)站，才能夠達到效果。
這里就需要Python的cookielib和urllib2等的配合，將cookielib綁定到urllib2在一起，就能夠在請求網(wǎng)頁的時候附帶cookie。
具體做法，首先第一步，用firefox的httpfox插件，在瀏覽器衷開始瀏覽新浪微博首頁，然后登陸，從httpfox的記錄中，查看每一步發(fā)送了那些數(shù)據(jù)請求了那個URL；之后再python里面，模擬這個過程，用urllib2.urlopen發(fā)送用戶名密碼到登陸頁面，獲取登陸后的cookie，之后訪問其他頁面，獲取微博數(shù)據(jù)。

cookielib模塊的主要作用是提供可存儲cookie的對象，以便于與urllib2模塊配合使用來訪問Internet資源。例如可以利用本模塊的CookieJar類的對象來捕獲cookie并在后續(xù)連接請求時重新發(fā)送。coiokielib模塊用到的對象主要有下面幾個：CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。
urllib模塊和urllib模塊類似，用來打開URL并從中獲取數(shù)據(jù)。與urllib模塊不同的是，urllib模塊不僅可以使用urlopen()函數(shù)還可以自定義Opener來訪問網(wǎng)頁。同時要注意：urlretrieve()函數(shù)是urllib模塊中的，urllib2模塊中不存在該函數(shù)。但是使用urllib2模塊時一般都離不開urllib模塊，因為POST的數(shù)據(jù)需要使用urllib.urlencode()函數(shù)來編碼。

cookielib模塊一般與urllib2模塊配合使用，主要用在urllib2.build_oper()函數(shù)中作為urllib2.HTTPCookieProcessor()的參數(shù)。使用方法如下面登錄人人網(wǎng)的代碼：

#! /usr/bin/env python
#coding=utf-8
import urllib2
import urllib
import cookielib
data={"email":"用戶名","password":"密碼"} #登陸用戶名和密碼
post_data=urllib.urlencode(data)
cj=cookielib.CookieJar()
opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
headers ={"User-agent":"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1"}
req=urllib2.Request("http://www.renren.com/PLogin.do",post_data,headers)
content=opener.open(req)
print content.read().decode("utf-8").encode("gbk")

具體請參考：

http://www.crazyant.net/796.html Python使用cookielib和urllib2模擬登陸新浪微博并抓取數(shù)據(jù)

http://my.oschina.net/duhaizhang/blog/69342 urllib2模塊

https://docs.python.org/2/library/cookielib.html cookielib — Cookie handling for HTTP clients

您可能感興趣的文章: