如何用 Python 编写 Web 代理

我正在尝试用 python 编写一个网络代理。目标是访问如下网址：http://proxyurl/http://anothersite.com/并查看内容http://anothersite.com就像平常一样。通过滥用 requests 库，我已经取得了相当大的进展，但这并不是 requests 框架的真正预期用途。我写过代理twisted http://twistedmatrix.com/documents/8.2.0/api/twisted.web.proxy.html之前，但我不确定如何将其与我想做的事情联系起来。到目前为止，这就是我所处的位置......

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，我设置一个 cookie 来保留方案、netloc 和 urlpath。这样，任何访问代理的相对或绝对链接都会使用该 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你会看到 ESPN 的内容。但是，在以下网站上它根本不起作用：http://www.bottegaveneta.com/us/shop/ 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否可靠，或者是否存在一些可怕的陷阱？如果这是正确的，为什么像我指出的那样某些网站根本无法运行？

感谢您的任何帮助。

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

将属性值从相对值更改为绝对值

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

为什么像我指出的那样某些网站根本无法运行？

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。例如，这个图像标签：

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

将导致客户端发出请求：

http://proxyurl/header.png

这失败了。这 'src' 值应转换为：

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

所以，你需要用类似的东西来解析 HTML 文档美丽汤 http://www.crummy.com/software/BeautifulSoup/, 循环所有标签并检查属性，例如：

'src', 'lowsrc', 'href'

And 改变他们的价值观相应地，标签变为：

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

此方法不仅适用于图像标签，还适用于更多标签。a, script, link, li and frame有一些你也应该改变。

HTML 恶作剧

前面的方法应该能让你走得很远，但你还没有完成。

Both

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

And

<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;" >

是难以访问和修改的代码示例美丽汤 http://www.crummy.com/software/BeautifulSoup/.

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

在我的情况下，我最终编写了可怕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。只需记住保存新的（基本）uri 是什么；您将需要它来执行“将属性值从相对值更改为绝对值”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/">

需要改为：

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

Base tag

The base tag http://www.w3schools.com/tags/tag_base.asp指定文档中所有相对 URL 的基本 URL/目标。您可能想更改该值。

终于完成了？

没有。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的东西PhantomJS http://phantomjs.org/ or Ghost http://jeanphix.me/Ghost.py/获取并评估网页并将结果呈现给客户端。

也许我的源代码 https://github.com/nattewasbeer/dushi.py-web/blob/master/bin/webdushi.py#L26可以帮你。您可以按照您想要的任何方式使用它。