python - 如何用 Python 编写 Web 代理

Question

我正在尝试用 python 编写一个网络代理。目标是访问像这样的网址: http://proxyurl/http://anothersite.com/ 并查看 http://anothersite.com 的内容就像你平时一样。通过滥用 requests 库，我已经取得了不错的成绩，但这并不是 requests 框架的真正预期用途。我用 twisted 写了代理之前，但我不知道如何将它与我正在尝试做的事情联系起来。这是我目前所处的位置......

import os
import urlparse

import requests

import tornado.ioloop
import tornado.web
from tornado import template

ROOT = os.path.dirname(os.path.abspath(__file__))
path = lambda *a: os.path.join(ROOT, *a)

loader = template.Loader(path(ROOT, 'templates'))


class ProxyHandler(tornado.web.RequestHandler):
    def get(self, slug):
        if slug.startswith("http://") or slug.startswith("https://"):
            if self.get_argument("start", None) == "true":
                parsed = urlparse.urlparse(slug)
                self.set_cookie("scheme", value=parsed.scheme)
                self.set_cookie("netloc", value=parsed.netloc)
                self.set_cookie("urlpath", value=parsed.path)
            #external resource
            else:
                response = requests.get(slug)
                headers = response.headers
                if 'content-type' in headers:
                    self.set_header('Content-type', headers['content-type'])
                if 'length' in headers:
                    self.set_header('length', headers['length'])
                for block in response.iter_content(1024):
                    self.write(block)
                self.finish()
                return
        else:
            #absolute
            if slug.startswith('/'):
                slug = "{scheme}://{netloc}{original_slug}".format(
                    scheme=self.get_cookie('scheme'),
                    netloc=self.get_cookie('netloc'),
                    original_slug=slug,
                )
            #relative
            else:
                slug = "{scheme}://{netloc}{path}{original_slug}".format(
                    scheme=self.get_cookie('scheme'),
                    netloc=self.get_cookie('netloc'),
                    path=self.get_cookie('urlpath'),
                    original_slug=slug,
                )
        response = requests.get(slug)
        #get the headers
        headers = response.headers
        #get doctype
        doctype = None
        if '<!doctype' in response.content.lower()[:9]:
            doctype = response.content[:response.content.find('>')+1]
        if 'content-type' in headers:
           self.set_header('Content-type', headers['content-type'])
        if 'length' in headers:
            self.set_header('length', headers['length'])
        self.write(response.content)


application = tornado.web.Application([
    (r"/(.+)", ProxyHandler),
])

if __name__ == "__main__":
    application.listen(8888)
    tornado.ioloop.IOLoop.instance().start()

请注意，如果查询字符串中有 start=true，我会设置一个 cookie 来保留方案、netloc 和 urlpath。这样，然后命中代理的任何相对或绝对链接都使用该 cookie 来解析完整的 url。

使用此代码，如果您转到 http://localhost:8888/http://espn.com/?start=true，您将看到 ESPN 的内容。但是，在以下站点上它根本不起作用:http://www.bottegaveneta.com/us/shop/ .我的问题是，最好的方法是什么？我目前的实现方式是稳健的，还是这样做有一些可怕的陷阱？如果它是正确的，为什么像我指出的那样某些网站根本不起作用？

感谢您的帮助。

Answer 1

我最近写了一个类似的网络应用程序。请注意，这是我的做法。我不是说你应该这样做。以下是我遇到的一些陷阱:

将属性值从相对更改为绝对

涉及的不仅仅是获取页面并将其呈现给客户。很多时候，您无法在没有任何错误的情况下代理网页。

Why are certain sites like the one I pointed out not working at all?

许多网页依赖于资源的相对路径，以便以格式良好的方式显示网页。比如这个图片标签:

<img src="/header.png" />

将导致客户端发出以下请求:

http://proxyurl/header.png

失败了。 'src' 值应转换为:

http://anothersite.com/header.png.

因此，您需要使用 BeautifulSoup 之类的内容来解析 HTML 文档。 ，遍历所有标签并检查以下属性:

'src', 'lowsrc', 'href'

并且相应地改变它们的值，这样标签就变成了:

<img src="http://anothersite.com/header.png" />

此方法适用于更多标签，而不仅仅是图像标签。 a、script、link、li 和 frame 是您应该更改的几个也是。

HTML 恶作剧

前面的方法应该能让你走得更远，但你还没有完成。

两者

<style type="text/css" media="all">@import "/stylesheet.css?version=120215094129002";</style>

和

<div style="position:absolute;right:8px;background-image:url('/Portals/_default/Skins/BE/images/top_img.gif');height:200px;width:427px;background-repeat:no-repeat;background-position:right top;" >

是使用 BeautifulSoup 难以访问和修改的代码示例.

在第一个示例中，有一个 css @Import 到一个相对 uri。第二个涉及内联 CSS 语句中的 'url()' 方法。

在我的情况下，我最终编写了糟糕的代码来手动修改这些值。您可能想为此使用正则表达式，但我不确定。

重定向

使用 Python-Requests 或 Urllib2，您可以轻松地自动跟踪重定向。只要记住保存新的(基本)uri 是什么；您将需要它来执行“将属性值从相对更改为绝对”操作。

您还需要处理“硬编码”重定向。比如这个:

<meta http-equiv="refresh" content="0;url=http://new-website.com/">

需要改成:

<meta http-equiv="refresh" content="0;url=http://proxyurl/http://new-website.com/">

基础标签

base tag指定文档中所有相对 URL 的基本 URL/目标。您可能想要更改该值。

终于完成了吗？

不。一些网站严重依赖 javascript 在屏幕上绘制内容。这些网站是最难代理的。我一直在考虑使用类似 PhantomJS 的东西或 Ghost获取和评估网页并将结果呈现给客户端。

也许我的source code能帮你。你可以以任何你想要的方式使用它。