如何使用除urllib2.urlopen上的默认代理之外的其他用户代理下载网页?
如何使用除urllib2.urlopen上的默认代理之外的其他用户代理下载网页?
Answers:
从每个人喜欢的Dive Into Python中设置User-Agent。
简短的故事:您可以使用Request.add_header进行此操作。
您也可以在创建Request本身时将标头作为字典传递,如docs所述:
标头应该是一个字典,并且将被视为如同
add_header()
以每个键和值作为参数调用时一样。这通常用于“欺骗”User-Agent
标头,浏览器使用该标头来标识自身–一些HTTP服务器仅允许来自普通浏览器的请求而不是脚本。例如,Mozilla Firefox可能会将其自身标识为"Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11"
,而urllib2
默认的用户代理字符串是"Python-urllib/2.6"
(在python 2.6上)。
这个问题中有示例代码,但是基本上您可以执行以下操作:(请注意User-Agent
,RFC 2616第14.43节的大写形式。)
opener = urllib2.build_opener()
opener.addheaders = [('User-Agent', 'Mozilla/5.0')]
response = opener.open('http://www.stackoverflow.com')
User-agent
实际上应该是User-Agent
(A大写)似乎对我有用。
headers = { 'User-Agent' : 'Mozilla/5.0' }
req = urllib2.Request('www.example.com', None, headers)
html = urllib2.urlopen(req).read()
或者,更短一些:
req = urllib2.Request('www.example.com', headers={ 'User-Agent': 'Mozilla/5.0' })
html = urllib2.urlopen(req).read()
req = urllib2.Request('www.example.com', headers={'User-Agent': 'Mozilla/5.0'})
。我更喜欢这种形式,因为它只发出一个请求。
html = urlopen(Request('http://www.example.com', headers={'User-Agent': 'Mozilla/5.0'})).read()
对于python 3,urllib分为3个模块...
import urllib.request
req = urllib.request.Request(url="http://localhost/", headers={'User-Agent':' Mozilla/5.0 (Windows NT 6.1; WOW64; rv:12.0) Gecko/20100101 Firefox/12.0'})
handler = urllib.request.urlopen(req)
data=b'None'
从答案中删除了令人困惑的参数。它将示例请求转换为包含无效数据的POST。@Maksim
所有这些理论上都应该起作用,但是(至少在Windows上使用Python 2.7.2)在您发送自定义User-agent标头时,urllib2不会发送该标头。如果您不尝试发送User-agent标头,它将发送默认的Python / urllib2
这些方法似乎都不适合添加User-agent,但它们适用于其他标头:
opener = urllib2.build_opener(proxy)
opener.addheaders = {'User-agent':'Custom user agent'}
urllib2.install_opener(opener)
request = urllib2.Request(url, headers={'User-agent':'Custom user agent'})
request.headers['User-agent'] = 'Custom user agent'
request.add_header('User-agent', 'Custom user agent')
opener.addheaders
应该是[('User-agent', 'Custom user agent')]
。否则,所有这些方法都应该起作用(我已经在Python 2.7.3(Linux)上进行了测试)。在您的情况下,它可能会中断,因为您使用了错误的proxy参数。
对于urllib
您可以使用:
from urllib import FancyURLopener
class MyOpener(FancyURLopener, object):
version = 'Mozilla/5.0 (Windows; U; Windows NT 5.1; it; rv:1.8.1.11) Gecko/20071127 Firefox/2.0.0.11'
myopener = MyOpener()
myopener.retrieve('https://www.google.com/search?q=test', 'useragent.html')
urllib2
和Python 2.7中的另一个解决方案:
req = urllib2.Request('http://www.example.com/')
req.add_unredirected_header('User-Agent', 'Custom User-Agent')
urllib2.urlopen(req)
试试这个 :
html_source_code = requests.get("http://www.example.com/",
headers={'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.107 Safari/537.36',
'Upgrade-Insecure-Requests': '1',
'x-runtime': '148ms'},
allow_redirects=True).content
urllib2
而不是其他模块。
有两个属性,urllib.URLopener()
分别是:
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')]
和
version = 'Python-urllib/1.17'
。
要欺骗网站,您需要将这两个值都更改为可接受的用户代理。例如:
Chrome浏览器:'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.149 Safari/537.36'
Google bot:'Googlebot/2.1'
像这样
import urllib
page_extractor=urllib.URLopener()
page_extractor.addheaders = [('User-Agent', 'Googlebot/2.1'), ('Accept', '*/*')]
page_extractor.version = 'Googlebot/2.1'
page_extractor.retrieve(<url>, <file_path>)
仅更改一项财产无效,因为该网站将其标记为可疑请求。