更改urllib2.urlopen上的用户代理

99

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？

python urllib2 user-agent

61

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）。

— 保罗·贝尔甘蒂诺
source

117

我几周前回答了一个类似的问题。

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')

— 杰森·库恩（Jason Coon）
source

8

该方法适用于其他标头，但不适用于User-Agent-至少不适用于我的2.6.2安装。由于某些原因，User-Agent被忽略。

— 弥敦道

3

我相信User-agent实际上应该是User-Agent（A大写）似乎对我有用。

— KriiV

1

标头名称不区分大小写。

— 尼古拉斯

100

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()

— 保罗
source

4

使用命名参数，您可以在两行中执行此操作。删除第一行，然后将第二行替换为：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。

— 伊恩·塞缪尔·麦克莱恩

甚至更短，在一行中：html = urlopen(Request('http://www.example.com', headers={'User-Agent': 'Mozilla/5.0'})).read()

— 用户

13

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)

— 杰伊·戴夫（Jay Dave）
source

这很有帮助。我不明白为什么我需要request.Request然后重复urllib.request.urlopen，其中旧版本只可以做urllib.urlopen（req）很好，但是无论哪种方式，这都行得通，我现在知道如何在python 3中使用它。

— jamescampbell，2015年

我仍然收到错误404 :(

— Maksim Kniazev '18

我已经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

— 用户

9

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')

— 菲嘉隆
source

2

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。

— jfs 2012年

对我来说，build_opener调用返回时已经在头文件中定义了默认的User-Agent。因此，追加操作只会创建另一个User-Agent标头，而第二个标头将被忽略。这就是@jcoon的sol正在工作的原因。

— Vajk Hermecz 2015年

6

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')

— CONvid19
source

5

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)

— OH2GBA
source

2

如果网址是通过浏览器输入的，则页面存在错误404

— Yebach 2014年

2

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

— 阿卡什（Akash karothiya）
source

1

该问题明确讨论，urllib2而不是其他模块。

— 罗恩·克莱因

2

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。

— twitu
source