selenium、browsermobproxy拦截请求时，字节型/非文本型/二进制型响应报文无法正确获取问题解决（python）

最近用selenium和browsermobproxy弄了个爬虫，专门去某个网站爬取pdf文件。虽然该网站没有提供下载文件的功能，但用户在浏览器上预览pdf内容时，浏览器事实上已经下载了pdf了，所以我试着用browsermobproxy在拦截请求阶段把文件给保存下来。

import browsermobproxy
from selenium import webdriver
from selenium.webdriver import chrome

server = browsermobproxy.Server(r'D:\browsermob-proxy-2.1.4\bin\browsermob-proxy.bat', {'port': 9723})
server.start()
browsermob_proxy = server.create_proxy({'trustAllServers': True})  # 设置trustAllServers为true，否则访问https网站报错

chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument(f'--proxy-server={browsermob_proxy.proxy}')
chrome_options.add_argument('--ignore-certificate-errors')  # 设置--ignore-certificate-errors，否则设置代理后的https网站无法正常访问
driver = webdriver.Chrome(options=chrome_options, service=chrome.service.Service(r'D:\chromedriver.exe'))

以上就是初始化操作，接下来便是操控浏览器，在需要拦截的请求之前，每次都创建一个新的har，如下：

browsermob_proxy.new_har(options={'captureContent': True, 'captureBinaryContent': True})

浏览器加载完pdf后，就可以通过遍历来得到自己想要的东西了，如下：

for entry in browsermob_proxy.har['log']['entries']:
    # 具体的逻辑代码

万万没想到，browsermob_proxy.har里的确有拦截到了pdf的报文，但却是字符串文本的乱码报文，写到文件里也不是一个正常pdf文件，根本打不开。

寻找解决办法的过程很曲折，去browsermob-proxy的github页面看介绍，去看browsermob-proxy的源码，终于有了结果。

先说一下我对于browsermob-proxy的理解：

browsermob-proxy是一个java项目，启动后会作为一个代理服务器，浏览器设置它为代理后，我们就可以通过该项目对外开放的一系列REST API来操作了。事实上python里browsermobproxy模块的很多方法源码里都是requests.get和requests.put。

那么问题来了，请看下边的client.py源码：

    @property
    def har(self):
        """
        Gets the HAR that has been recorded
        """
        r = requests.get('%s/proxy/%s/har' % (self.host, self.port))

        return r.json()

得到的这个har它就是个json字符串，那我想要的pdf文件，也就是非文本型的文件怎么放进去一个json里呢？

browsermob-proxy也有考虑这方面的问题，就是非文本型报文会转为base64字符串，然后才放到json里，这样就没问题了。

那browsermob-proxy怎么判断响应报文是否为非文本型的呢？请看java代码：

    /**
     * Returns true if the content type string indicates textual content. Currently these are any Content-Types that start with one of the
     * following:
     * 
     *     text/
     *     application/x-javascript
     *     application/javascript
     *     application/json
     *     application/xml
     *     application/xhtml+xml
     * 
     *
     * @param contentType contentType string to parse
     * @return true if the content type is textual
     */
    public static boolean hasTextualContent(String contentType) {
        return contentType != null &&
                (contentType.startsWith("text/") ||
                contentType.startsWith("application/x-javascript") ||
                contentType.startsWith("application/javascript")  ||
                contentType.startsWith("application/json")  ||
                contentType.startsWith("application/xml")  ||
                contentType.startsWith("application/xhtml+xml")
                );
    }

居然是靠报文头的Content-Type字段来判断的。众所周知，Content-Type是最不可信的东西，这东西有时候甚至可以想怎么设置就怎么设置，对报文实体毫无影响。恰好，我想要爬取的pdf就设置为application/javascript，判断为文本型，然后按照默认编码变为字符串乱码了。

上面扯了些没用的，以下进入正题，解决办法：

在拦截时修改pdf的Content-Type头

server = browsermobproxy.Server(r'D:\browsermob-proxy-2.1.4\bin\browsermob-proxy.bat', {'port': 9723})
server.start()
browsermob_proxy = server.create_proxy({'trustAllServers': True})  # 设置trustAllServers为true，否则访问https网站报错
browsermob_proxy.response_interceptor('''
    if (contents.isText() && contents.getTextContents().startsWith("%PDF")) {
        response.headers().set("Content-Type", "application/pdf");
    }
''')

-----------------------------分割线------------------------------

最近发现python里seleniumwire也能实现我这里拦截pdf的功能，不用browsermob-proxy。当然啦，browsermob-proxy可不只是用来跟selenium配合使用的，它应该跟fiddler这些代理服务一样，也可以用来监控其它的东西。