『No15: Go 实现 python 库 fake-useragent』

go-15.png

15.png

大家好，我叫谢伟，是一名程序员。

在未来人人都是手艺人。

传统的手艺人在圈子内创造影响力，在互联网时代，个人影响力不仅仅限于圈子内，互联网创造无限可能性。

好，今天的主题：作品意识

1、作品意识

作品很好理解，比如歌手发行唱片、发行单曲，作家写书等，前端工程师可能更容易出作品，比如，写一个优雅的网站，比如写一个优雅的工具，写一个实用的小程序，开发一个个人的APP等，这些都是作品。

后端人员，可以写库，虽然在和真实用户交互层面，后端工程师开发的工具大概只能在程序员内使用，或者有一定编程基础的人才能使用。

尽管不是每个人写的工具都能得到广泛的认可、使用。作为程序员，一定要有作品意识，什么意思？

• 写用户交互友好的工具

• 写符合人性的工具

• 写简洁的工具

对于后端开发者来说最终体现出来的作品便是“不断的创造轮子、或者重复造轮子”。

关于是否重复造轮子，知乎有广泛的讨论，我的观点是：想要提高个人的技能水平，需要不断的造轮子，水平低，造简单的轮子，水平渐渐提升，造更高级点的轮子。在过程参考优秀开源工具的实现、思想。

模仿是最简单的学习方式

2、如何产出作品

在工作之余，我较长时间放在 Github 上。去发现一些好的项目，去参考一些好的效果。当然作为后端开发者，我不太会去看前端的项目，同样，作为Gopher ,我倾向于 关注 Go 项目，但如果是火热的 Python 项目，那我也会关注下。

随着关注点的越来越精细，我倾向于从我熟悉的东西入手，什么意思，为什么从熟悉的东西入手，因为我越来越发现，自信心是很重要的，如果你不能第一时间对一个项目提起兴趣和自信心，你可能没什么机会和这个项目产生化学反应。

近期在阅读  requests-html。

• 我比较熟悉爬虫

• 这是一个网页信息解析的库

• 代码量不是很大，阅读起来简便

import sysimport asynciofrom urllib.parse import urlparse, urlunparse, urljoinfrom concurrent.futures import ThreadPoolExecutorfrom concurrent.futures._base import TimeoutErrorfrom functools import partialfrom typing import Set, Union, List, MutableMapping, Optionalimport pyppeteerimport requestsfrom pyquery import PyQueryfrom fake_useragent import UserAgentfrom lxml.html.clean import Cleanerimport lxmlfrom lxml import etreefrom lxml.html import HtmlElementfrom lxml.html import tostring as lxml_html_tostringfrom lxml.html.soupparser import fromstring as soup_parsefrom parse import search as parse_searchfrom parse import findall, Resultfrom w3lib.encoding import html_to_unicode

从导入的库来看，这个网页解析的库主要是整合了各种第三方库和内置库，这意味着，很少有直接从零开始造轮子，可以借助已经比较优秀的第三方库。

好，关于这个库的分析，我下次讲。

取其中的一个库来分析：fake_useragent

这是一个生成UserAgent 的库，可以指定浏览器的类型，也可以随机生成UserAgent。

我一不小心对它产生了兴趣。

网上一般的讲解如何随机生存UserAgent 的处理方法是，在本地缓存一个大的文件，随机从文件内取一个。当然这看上去不够极客唉。

1、使用

from fake_useragent import UserAgent
ua = UserAgent()

ua.ie# Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US);ua.msie# Mozilla/5.0 (compatible; MSIE 10.0; Macintosh; Intel Mac OS X 10_7_3; Trident/6.0)'ua['Internet Explorer']# Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0; GTB7.4; InfoPath.2; SV1; .NET CLR 3.3.69573; WOW64; en-US)ua.opera# Opera/9.80 (X11; Linux i686; U; ru) Presto/2.8.131 Version/11.11ua.chrome# Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.2 (KHTML, like Gecko) Chrome/22.0.1216.0 Safari/537.2'ua.google# Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_4) AppleWebKit/537.13 (KHTML, like Gecko) Chrome/24.0.1290.1 Safari/537.13ua['google chrome']# Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11ua.firefox# Mozilla/5.0 (Windows NT 6.2; Win64; x64; rv:16.0.1) Gecko/20121011 Firefox/16.0.1ua.ff# Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:15.0) Gecko/20100101 Firefox/15.0.1ua.safari# Mozilla/5.0 (iPad; CPU OS 6_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) Version/6.0 Mobile/10A5355d Safari/8536.25# and the best one, random via real world browser usage statisticua.random

用法十分简单，毕竟完成的功能就不是很复杂。

• 随机生成

• 指定浏览器生成

2、阅读 fake_useragent 文档

fake_useragent

• grabs up to date useragent from useragentstring.com

• randomize with real world statistic via w3schools.com

可以看出，其实是从网上抓取到的信息，在随机生成的。

• http://useragentstring.com/pages/useragentstring.php?name=Chrome

• http://useragentstring.com/pages/useragentstring.php?name=Safari

• http://useragentstring.com/pages/useragentstring.php?name=Firefox

• http://useragentstring.com/pages/useragentstring.php?name=Opera

• http://useragentstring.com/pages/useragentstring.php?name=Internet+Explorer

那作者如何选择浏览器？只选择这几个浏览器的理由是？

• https://www.w3schools.com/browsers/default.asp

image.png

可以查看当前最主流的浏览器的一些数据。

由于一些大家都知道的原因，这个网站的访问需要借助一些手段。

Sometimes, useragentstring.com or w3schools.com changes their html, or down, in such case fake-useragent uses CDN cloudfront fallback

意味着还可以从这个网站上获取UserAgent

• http://d2g6u4gh6d9rq0.cloudfront.net/browsers/fake_useragent_0.1.9.json

3、梳理

• 这是一个获取 UserAgent 的库

• 主要的数据来自两个网站

• 根据统计数据得出主流的浏览器

本质是一个爬虫

4、源代码

    def load(self):        try:
            with self.load.lock:                if self.cache:                    self.data = load_cached(                        self.path,
                        use_cache_server=self.use_cache_server,
                        verify_ssl=self.verify_ssl,
                    )                else:                    self.data = load(
                        use_cache_server=self.use_cache_server,
                        verify_ssl=self.verify_ssl,
                    )                # TODO: change source file format
                # version 0.1.4+ migration tool
                self.data_randomize = list(self.data['randomize'].values())                self.data_browsers = self.data['browsers']
        except FakeUserAgentError:            if self.fallback is None:
                raise            else:
                logger.warning(                    'Error occurred during fetching data, '
                    'but was suppressed with fallback.',
                )

    def __getattr__(self, attr):        if attr in self.safe_attrs:
            return super(UserAgent, self).__getattr__(attr)        try:
            for value, replacement in settings.REPLACEMENTS.items():
                attr = attr.replace(value, replacement)

            attr = attr.lower()            if attr == 'random':
                browser = random.choice(self.data_randomize)            else:
                browser = settings.SHORTCUTS.get(attr, attr)            return random.choice(self.data_browsers[browser])
        except (KeyError, IndexError):            if self.fallback is None:
                raise FakeUserAgentError('Error occurred during getting browser')  # noqa
            else:
                logger.warning(                    'Error occurred during getting browser, '
                    'but was suppressed with fallback.',
                )                return self.fallback

核心代码是这两个函数。

数据来源：

CACHE_SERVER = 'http://d2g6u4gh6d9rq0.cloudfront.net/browsers/fake_useragent_{version}.json'.format(  # noqa
    version=__version__,
)

BROWSERS_STATS_PAGE = 'https://www.w3schools.com/browsers/default.asp'BROWSER_BASE_PAGE = 'http://useragentstring.com/pages/useragentstring.php?name={browser}'  # noqa

5、实现

你已经知道了这是个Python 库。好了，你也了解了这个库的核心代码和思想。

你下一步怎么做？

重新实现。

你可以选择 Python 实现，但是在你看源代码的过程中，你的思维应该已经受这个库的具体处理方式影响了。

所以，你可以用其他语言进行处理，核心思想还在，但规则变了。所以你会花费一点点的思考。这样其实对你自己有好处。

5.1、项目组织

按照领域驱动的思想，将项目区分为四层：UI、Infra、Domain、Application

├─application
├─domain
│  ├─global│  └─parse
├─infra
│  └─download
├─main
├─ui

infra层：

package download

import (    "net/http"

    "errors"

    "github.com/PuerkitoBio/goquery")

var (
    ErrRequest  = errors.New("request err")
    ErrResponse = errors.New("response err")
)

func ResponseDownload(url string) (*goquery.Document, error) {
    request, err := http.NewRequest("GET", url, nil)    if err != nil {        return nil, ErrRequest
    }

    request.Header.Add("User-Agent", "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36")
    client := http.DefaultClient

    response, err := client.Do(request)    if err != nil {        return nil, ErrResponse
    }

    defer response.Body.Close()    return goquery.NewDocumentFromReader(response.Body)
}

本质是一个爬虫，获取网页信息少不了这个函数。

domain 层：

package globalimport "fmt"const Version = "0.1.10"var (
    BROWSERS_STATS_PAGE = "https://www.w3schools.com/browsers/default.asp"
    BROWSER_BASE_PAGE   = "http://useragentstring.com/pages/useragentstring.php?name=%s"
    CACHE_SERVER        = "http://d2g6u4gh6d9rq0.cloudfront.net/browsers/fake_useragent_%s.json")

var OVERRIDES = make(map[string]string)
var LOCALUSERAGENT = make(map[string][]string)

func init() {
    OVERRIDES = map[string]string{        "Edge/IE": "Internet Explorer",        "IE/Edge": "Internet Explorer",
    }
    CACHE_SERVER = fmt.Sprintf(CACHE_SERVER, Version)
}

全局参数，主要是上面提到的网站信息。

• BROWSERS_STATS_PAGE

• BROWSER_BASE_PAGE

• CACHE_SERVER

package parse

import (    "errors"

    "github.com/PuerkitoBio/goquery"
    "github.com/tidwall/gjson")var (
    ErrArray   = errors.New("array err")
    ErrInvalid = errors.New("invalid json")
)

func CloudFront(doc *goquery.Document, browserType string) ([]gjson.Result, error) {    if !gjson.Valid(doc.Text()) {        return nil, ErrInvalid
    }

    jsonResult := gjson.Parse(doc.Text())
    browserUserAgent := jsonResult.Get("browsers." + browserType)
    browserUserAgentOk := browserUserAgent.IsArray()    if !browserUserAgentOk {        return nil, ErrArray
    }    return browserUserAgent.Array(), nil

}

从 cloudfront 网站获取UserAgent

package parseimport (    "github.com/PuerkitoBio/goquery")var browserList = []string{    "Internet Explorer",    "Opera",    "Chrome",    "Safari",    "FireFox",
}func UserAgentCom(doc *goquery.Document) ([]string, error) {

    var newBrowserList = make([]string, 1)

    doc.Find("div#liste ul li").Each(func(i int, selection *goquery.Selection) {
        userAgent := selection.Find("a").Text()        //fmt.Println(userAgent)
        newBrowserList = append(newBrowserList, userAgent)
    })    return newBrowserList, nil

}

从 useragentstring.com 网站获取 UserAgent

Application 层:

package applicationimport (    "errors"
    "fake-user-agent-go-ng/domain/global"
    "fake-user-agent-go-ng/infra/download"
    "fmt"

    "fake-user-agent-go-ng/domain/parse"

    "math/rand"
    "time"

    "github.com/PuerkitoBio/goquery"
    "github.com/tidwall/gjson")type FakeUserAgent struct {
    UserAgentStringOk bool
    CloudFrontNetOk   bool
    Cache             bool}

var (
    ErrUserAgent = errors.New("user agent err")
)func NewFakeUserAgent(UserAgentStringOk bool, CloudFrontNetOk bool, CacheOK bool) *FakeUserAgent {    return &FakeUserAgent{
        UserAgentStringOk: UserAgentStringOk,
        CloudFrontNetOk:   CloudFrontNetOk,
        Cache:             CacheOK,
    }
}

func (F *FakeUserAgent) IE() string {    return F.common("Internet+Explorer")

}

func (F *FakeUserAgent) InternetExplorer() string {    return F.IE()
}

func (F *FakeUserAgent) Msie() string {    return F.IE()
}

func (F *FakeUserAgent) Chrome() string {    return F.common("Chrome")
}

func (F *FakeUserAgent) Google() string {    return F.Chrome()
}

func (F *FakeUserAgent) Opera() string {    return F.common("Opera")
}

func (F *FakeUserAgent) Safari() string {    return F.common("Safari")
}

func (F *FakeUserAgent) FireFox() string {    return F.common("Firefox")
}

func (F *FakeUserAgent) FF() string {    return F.FireFox()
}

func (F *FakeUserAgent) Random() string {
    randomChoice := []string{        "Chrome",        "Firefox",        "Safari",        "Opera",        "Internet+Explorer",
    }
    r := rand.NewSource(time.Now().UnixNano())
    random := rand.New(r)

    browserType := randomChoice[random.Intn(len(randomChoice))]    return F.common(browserType)
}

func (F *FakeUserAgent) common(browserType string) string {
    r := rand.NewSource(time.Now().Unix())
    randomChoice := rand.New(r)    if F.Cache {
        index := randomChoice.Intn(len(global.LOCALUSERAGENT[browserType]))        return global.LOCALUSERAGENT[browserType][index]

    }

    var url string
    if F.UserAgentStringOk {
        url = fmt.Sprintf(global.BROWSER_BASE_PAGE, browserType)
    } else {
        url = global.CACHE_SERVER
    }

    var (
        doc *goquery.Document
        err error
    )

    doc, err = download.ResponseDownload(url)    if err != nil {
        fmt.Println(ErrUserAgent)
        panic(ErrUserAgent)
    }
    var (
        userAgentList []string
    )    if F.UserAgentStringOk {
        userAgentList, err = parse.UserAgentCom(doc)        if err != nil {
            fmt.Println(ErrUserAgent)
            panic(ErrUserAgent)
        }        return userAgentList[randomChoice.Intn(len(userAgentList))]
    }    if F.CloudFrontNetOk {
        var userAgentResult []gjson.Result
        userAgentResult, err = parse.CloudFront(doc, browserType)        if err != nil {
            fmt.Println(ErrUserAgent)
            panic(ErrUserAgent)
        }        return userAgentResult[randomChoice.Intn(len(userAgentResult))].String()
    }    return ""}

主要是实现这几个函数：

• Random 随机得到一个 UserAgent

• IE/Msie/InternetExplorer 返回IE 浏览器UserAgent

• FF/FireFox 返回 FireFox 浏览器UserAgent

• Google/Chrome 返回 Chrome 浏览器UserAgent

• Opera 返回 Opera 浏览器UserAgent

同时使用下面几个参数，决定从哪个网站抓取，还是使用本地缓存。

• UserAgentStringOk: http://useragentstring.com/ 网站的UserAgent

• CloudFrontNetOk: http://d2g6u4gh6d9rq0.cloudfront.net/browsers/fake_useragent_0.1.9.json 的UserAgent

• CacheOk : 代码内置的随机 50 个UserAgent

6. 开源

• fake-agent-go-ng

[图片上传失败...(image-cb2b7f-1531152156667)]

欢迎使用唉。

本节完，再会，我是谢伟。

作者：谢小路
链接：https://www.jianshu.com/p/cba8f921d746