Сетевые программы

Глава 12

Пайтон для всех

www.py4e.com
Бесплатная книга по
сетевой архитектуре

• Если вам интересна данная тема

и вы хотите знать больше

• www.net-intro.com
 Протокол управления передачей (TCP)
• Создан на основе IP (Интернет протокол)

• Предполагается, что IP может потерять

часть данных, поэтому TCP хранит и
осуществляет повторный запрос данных в
случае утери

• Осуществляет управление потоком с

помощью «окна» передачи
Source:
• Обеспечивает наличие надежного туннеля http://en.wikipedia.org/wiki/Internet_Protocol_Suite
https://ru.wikipedia.org/wiki/TCP/IP
http://en.wikipedia.org/wiki/Tin_can_telephone

http://www.flickr.com/photos/kitcowan/2103850699/
 TCP соединения / Сокеты
«В сетевой архитектуре Интернет-сокет или сетевой-сокет —
это конечная точка двунаправленного меж-процессного
потока обмена данными в компьютерной сети, основанной на
Интернет Протоколе, такой как Интернет»

Процесс Интернет Процесс

https://ru.wikipedia.org/wiki/Сокет_(программный_интерфейс)
 Протокол TCP: Номера портов
• Порт — это конечная точка связи приложения или
процесса

• Порт позволяет нескольким приложениям, использующим

сеть, одновременно работать на одном сервере

• Существует список общепринятых номеров портов TCP

https://ru.wikipedia.org/wiki/Порт_(компьютерные_сети)
www.umich.edu
Входящая 25
почта

бла-бла-
Логин 23 бла
74.208.28.177
80
Веб-сервер
443

Личный 109
почтовый
ящик 110

Клипарт: http://www.clker.com/search/networksym/1
Общеизвестные TCP-порты

https://ru.wikipedia.org/wiki/Список_портов_TCP_и_UDP
Иногда можно встретить
номер порта в адресе,
если сервер использует
«нестандартный» порт
 Сокеты в Пайтон
Пайтон имеет встроенную поддержку сокетов TCP

import socket
mysock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
mysock.connect( ('data.pr4e.org', 80) )

Хост Порт

http://docs.python.org/library/socket.html
https://xkcd.ru/i/353_v1.png
Прикладные протоколы
 Прикладной протокол
• TCP (и Пайтон) предоставляет
нам надежный сокет, но что мы
хотим с этим сокетом делать?
Какую проблему хотим решить?

• Прикладные протоколы:

- Mail

- World Wide Web Источник: http://en.wikipedia.org/wiki/Internet_Protocol_Suite

HTTP – Протокол передачи гипертекста
• Доминирующий в Интернет протокол прикладного уровня передачи
данных

• Был разработан для Веб, чтобы передавать HTML-страницы, картинки,

документы, и т.д.

• Расширен для работы с данными в дополнение к документам: RSS, Web-

сервисы и т.д. Базовая концепция: Создать соединение – Запросить
документ – Получить документ – Закрыть соединение

https://ru.wikipedia.org/wiki/HTTP
 HTTP
(Протокол передачи гипертекста)
Протокол Передачи Гипертекста — набор правил,
позволяющих браузерам получать веб-документы с
серверов через Интернет
 Что такое протокол?
• Это свод правил, которым следуют все участники,
чтобы можно было предсказать поведение
каждого из участников

• Например, чтобы не столкнуться друг с другом:

- На дорогах с двусторонним движением в США

двигайтесь по правой стороне дороги

- На дорогах с двусторонним движением в

Великобритании двигайтесь по левой стороне
дороги
 http://www.dr-chuck.com/page1.htm

протокол хост документ

http://www.youtube.com/watch?v=x2GylLq59rI
Robert Cailliau
1:17 - 2:19 CERN
Получение данных с сервера
• Каждый раз, когда пользователь кликает на ссылку, имеющую
атрибут href = value (в качестве значения – адрес документа, на
который следует перейти), чтобы перейти на другую страницу,
браузер устанавливает соединение с веб-сервером и делает
запрос посредством метода “GET”, чтобы получить содержимое
страницы по указанному адресу

• Сервер возвращает HTML-документ браузеру, который

форматирует и отображает документ пользователю
Веб-сервер
80

Браузер
 Веб-сервер
80

Браузер
Клик по
ссылке
 Запрос Веб-сервер
80

GET http://www.dr-chuck.com/page2.htm

Браузер
Клик по
ссылке
 Запрос Веб-сервер
80

GET http://www.dr-chuck.com/page2.htm

Браузер
Клик по
ссылке
 Запрос Ответ
Веб-сервер
80
<h1>Страница 2</h1>
<p>Перейти на <a
href="page1.htm">Страницу
1</a>.</p>
GET http://www.dr-chuck.com/page2.htm

Браузер
Клик по
ссылке
 Запрос Веб-сервер Ответ

80
<h1>Страница 2</h1>
<p>Перейти на <a
href="page1.htm">Страницу
1</a>.</p>
GET http://www.dr-chuck.com/page2.htm

Браузер
Клик по Анализ/
ссылке Визуализация
 Стандарты Интернета
• Стандарты для всех Интернет-
протоколов (внутренние механизмы)
разрабатываются организацией

• Internet Engineering Task Force (IETF)

– Инженерный совет Интернета

• www.ietf.org

• Документ со стандартами называется

«RFC» или «Рабочее предложение»

Источник: http://tools.ietf.org/html/rfc791
http://www.w3.org/Protocols/rfc2616/rfc2616.txt
 Делаем HTTP-запрос
• Подключаемся к серверу, например, www.dr-chuck.com

• Запрашиваем документ (или документ по умолчанию)

• GET http://www.dr-chuck.com/page1.htm HTTP/1.0

• GET http://www.mlive.com/ann-arbor/ HTTP/1.0

• GET http://www.facebook.com HTTP/1.0

 Веб-сервер
$ telnet www.dr-chuck.com 80
Trying 74.208.28.177...
Connected to www.dr-chuck.com.Escape character is '^]'.
GET http://www.dr-chuck.com/page1.htm HTTP/1.0

HTTP/1.1 200 OK
Date: Thu, 08 Jan 2015 01:57:52 GMT
Last-Modified: Sun, 19 Jan 2014 14:25:43 GMT
Connection: close
Браузер
Content-Type: text/html

<h1>Страница 1</h1>
<p>Перейти на <a href="http://www.dr-chuck.com/page2.htm">Страницу 2</a>.</p>
Соединение закрыто внешним хостом.
Меткий хакинг в кино
• Матрица Перезагрузка

• Ультиматум Борна

• Крепкий орешек 4

• ...

http://nmap.org/movies.html
Напишем веб-браузер!
HTTP-запрос в Пайтон
import socket

mysock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)

mysock.connect(('data.pr4e.org', 80))
cmd = 'GET http://data.pr4e.org/romeo.txt HTTP/1.0\r\n\r\n'.encode()
mysock.send(cmd)

while True:
data = mysock.recv(512)
if (len(data) < 1):
break
print(data.decode(),end='')
mysock.close()
HTTP/1.1 200 OK Заголовок HTTP-запроса
Date: Sun, 14 Mar 2010 23:52:41 GMT
Server: Apache
Last-Modified: Tue, 29 Dec 2009 01:31:22 GMT
ETag: "143c1b33-a7-4b395bea" while True:
Accept-Ranges: bytes data = mysock.recv(512)
Content-Length: 167 if ( len(data) < 1 ) :
Connection: close break
Content-Type: text/plain print(data.decode())

But soft what light through yonder window breaks

It is the east and Juliet is the sun
Arise fair sun and kill the envious moon
Who is already sick and pale with grief
Тело HTTP-запроса
Символы и строки
 ASCII
American
Standard Code
for Information
Interchange
Американский
стандартный
код для обмена
информацией

https://ru.wikipedia.org/wiki/ASCII
http://www.catonmat.net/download/ascii-cheat-sheet.png
Представление простых строк
• Каждый символ представлен
числом от 0 до 256, хранящимся в
8 битах памяти >>> print(ord('H'))
72
• Мы называем 8 бит памяти >>> print(ord('e'))
«байтом» (например, мой диск 101
содержит 3 Терабайта памяти) >>> print(ord('\n'))
10
>>>
• Функция ord() сообщает нам
числовое значение простого
символа из таблицы ASCII
 ASCII
>>> print(ord('H'))
72
>>> print(ord('e'))
101
>>> print(ord('\n'))
10
>>>

В 1960-х и 1970-х
считалось, что один байт
– это один символ
http://unicode.org/charts/
 Многобайтовые символы
В связи с многообразием символов, которые должны обрабатываться компьютерами,
существуют символы, представленные более чем одним байтом
UTF-16: фиксированная длина — два байта https://ru.wikipedia.org/wiki/UTF-8
• UTF-32: фиксированная длина — четыре байта
• UTF-8: 1-4 байта:
- Полная обратная совместимость с ASCII;
- Автоматическое определение между ASCII и UTF-8;
- UTF-8 рекомендуется для кодирования данных,
которыми обмениваются системы.
 Два вида строк в Пайтон
Python 2.7.10 Python 3.5.1
>>> x = ' 이광춘 ' >>> x = ' 이광춘 '
>>> type(x) >>> type(x)
<type 'str'> <class 'str'>
>>> x = u' 이광춘 ' >>> x = u' 이광춘 '
>>> type(x) >>> type(x)
<type 'unicode'> <class 'str'>
>>> >>>

В Пайтон версии 3 все строки в кодировке Юникод

 Пайтон 2 vs. Пайтон 3
Python 2.7.10 Python 3.5.1
>>> x = b'abc' >>> x = b'abc'
>>> type(x) >>> type(x)
<type 'str'> <class 'bytes'>
>>> x = ' 이광춘 ' >>> x = ' 이광춘 '
>>> type(x) >>> type(x)
<type 'str'> <class 'str'>
>>> x = u' 이광춘 ' >>> x = u' 이광춘 '
>>> type(x) >>> type(x)
<type 'unicode'> <class 'str'>
 Пайтон 3 и Юникод
• В Пайтон 3 все строки в кодировке
Python 3.5.1
Юникод
>>> x = b'abc'
• Работа со строчными переменными в >>> type(x)
Пайтон, а также чтение данных из файла <class 'bytes'>
обычно не представляет сложности >>> x = ' 이광춘 '
>>> type(x)
• Но когда мы обращаемся к сетевому <class 'str'>
ресурсу, используя сокет, или >>> x = u' 이광춘 '
обращаемся к базе данных необходимо >>> type(x)
кодировать и декодировать данные <class 'str'>
(обычно в UTF-8)
 Перевод строк в байты в Пайтон
• Когда мы обращаемся к внешнему ресурсу вроде сетевого сокета, то
отправляем байты. Поэтому необходимо перевести строки Пайтон 3 в
заданную кодировку

• Когда мы читаем данные с внешнего ресурса, их нужно декодировать в

набор символов, чтобы в Пайтон 3 они корректно преобразовались в
строку:
while True:
data = mysock.recv(512)
if ( len(data) < 1 ) :
break
mystring = data.decode()
print(mystring)
HTTP-запрос в Пайтон
import socket

mysock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)

mysock.connect(('data.pr4e.org', 80))
cmd = 'GET http://data.pr4e.org/romeo.txt HTTP/1.0\n\n'.encode()
mysock.send(cmd)

while True:
data = mysock.recv(512)
if (len(data) < 1):
break
print(data.decode())
mysock.close()
https://docs.python.org/3/library/stdtypes.html#bytes.decode
https://docs.python.org/3/library/stdtypes.html#str.encode
 decode() Байты recv()
Строка в UTF-8
Сокет Сеть
кодировке
Юникод Байты
encode() send()
UTF-8

import socket

mysock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)

mysock.connect(('data.pr4e.org', 80))
cmd = 'GET http://data.pr4e.org/romeo.txt HTTP/1.0\n\n'.encode()
mysock.send(cmd)

while True:
data = mysock.recv(512)
if (len(data) < 1):
break
print(data.decode())
mysock.close()
Упрощение HTTP с помощью
модуля urllib
 Использование urllib в Пайтон
Благодаря распространенности HTTP, у нас есть библиотека,
которая производит всю работу с сокетами и делает веб-
страницы похожими на файл

import urllib.request, urllib.parse, urllib.error

fhand = urllib.request.urlopen('http://data.pr4e.org/romeo.txt')
for line in fhand:
print(line.decode().strip())

urllib1.py
import urllib.request, urllib.parse, urllib.error

fhand = urllib.request.urlopen('http://data.pr4e.org/romeo.txt')
for line in fhand:
print(line.decode().strip())

But soft what light through yonder window breaks

It is the east and Juliet is the sun
Arise fair sun and kill the envious moon
Who is already sick and pale with grief
urllib1.py
 Похоже на файл...
import urllib.request, urllib.parse, urllib.error

fhand = urllib.request.urlopen('http://data.pr4e.org/romeo.txt')

counts = dict()
for line in fhand:
words = line.decode().split()
for word in words:
counts[word] = counts.get(word, 0) + 1
print(counts)
urlwords.py
 Чтение веб-страниц
import urllib.request, urllib.parse, urllib.error

fhand = urllib.request.urlopen('http://www.dr-chuck.com/page1.htm')
for line in fhand:
print(line.decode().strip())

<h1>Страница 1</h1>
<p>Перейти на<a
href="http://www.dr-chuck.com/page2.htm">Страницу 2</a>.
</p>
urllib2.py
 Следуем по ссылкам
import urllib.request, urllib.parse, urllib.error

fhand = urllib.request.urlopen('http://www.dr-chuck.com/page1.htm')
for line in fhand:
print(line.decode().strip())

<h1>Страница 1</h1>
<p>Перейти на <a
href="http://www.dr-chuck.com/page2.htm">Страницу 2</a>.
</p>
urllib2.py
Первые строки кода @ Google?
import urllib.request, urllib.parse, urllib.error

fhand = urllib.request.urlopen('http://www.dr-chuck.com/page1.htm')
for line in fhand:
print(line.decode().strip())
 HTML-парсинг
(или веб-скрейпинг)
 Что такое веб-скрейпинг?
• Программа или скрипт, притворяясь браузером, извлекает и
анализирует информацию с веб-страниц, а затем
отправляется по ссылкам на следующие страницы

• Поисковый робот, обрабатывающий веб-страницы,

называется «веб-паук» или «веб-краулер»

https://ru.wikipedia.org/wiki/Веб-скрейпинг
https://ru.wikipedia.org/wiki/Поисковый_робот
Зачем нужен веб-скрейпинг?
• Извлечь данные, особенно из соц.сетей: кто на кого
ссылается?

• Получить обратно свои данные из системы, не имеющей

возможности экспорта данных

• Мониторить сайт на предмет новой информации

• Создать базу данных для поискового робота

 Скрейпинг веб-страниц
• Все еще существуют разногласия по поводу использования
веб-скрейпинга, и некоторые сайты особенно непримиримы
в этом отношении

• Не разрешается повторная публикация информации,

защищенной авторским правом

• Не допускается нарушение условий пользования сервисом

 Простой способ — Beautiful Soup
• можно выполнять поиск по строкам сложным путем
• или использовать бесплатную библиотеку BeautifulSoup
с сайта www.crummy.com

https://www.crummy.com/software/BeautifulSoup/
 Установка BeautifulSoup
# Вы можете установить BeautifulSoup, перейдя по ссылке:
# https://pypi.python.org/pypi/beautifulsoup4

# Или скачать файл:

# http://www.py4e.com/code3/bs4.zip
# и распаковать его в ту же директорию, что и этот файл

import urllib.request, urllib.parse, urllib.error

from bs4 import BeautifulSoup

...
urllinks.py
import urllib.request, urllib.parse, urllib.error
from bs4 import BeautifulSoup

url = input('Enter - ')

html = urllib.request.urlopen(url).read()
soup = BeautifulSoup(html, 'html.parser')

# Получить все теги типа «ссылка»

tags = soup('a')
for tag in tags:
print(tag.get('href', None))

python urllinks.py
Enter - http://www.dr-chuck.com/page1.htm
http://www.dr-chuck.com/page2.htm
 Резюме
• TCP/IP создает для нас каналы / сокеты между приложениями

• Для использования этих каналов разработаны прикладные

протоколы

• Протокол передачи гипертекста (HTTP) — простой, но мощный

протокол

• Пайтон имеет хорошую поддержку сокетов, HTTP и HTML-

парсинга
 Авторы / Благодарности
… Insert new Contributors and Translations here
...
Авторские права на эти слайды принадлежат Чарльзу Р.
Северансу (www.dr-chuck.com) , 2010 г., Школе Информации
Мичиганского Университета и open.umich.edu , и доступны по
лицензии Creative Commons Attribution 4.0 License.
Пожалуйста, сохраняйте этот слайд во всех копиях этого
документа, в соответствии с требованиями Лицензии. Если
вы внесли изменения, добавьте свое имя или организацию в
список участников на этой странице.

Исходная разработка: Чарльз Северанс, Школа

Информации Мичиганского Университета.

Перевод выполнила Фомкина Виолетта.

… Добавьте сюда новых авторов и переводчиков