Смена агента пользователя на urllib2.urlopen


100

Как я могу загрузить веб-страницу с помощью пользовательского агента, отличного от используемого по умолчанию на urllib2.urlopen?

Ответы:


61

Настройка User-Agent из всеми любимого Dive Into Python .

Краткая история: для этого вы можете использовать Request.add_header .

Вы также можете передать заголовки в качестве словаря при создании самого запроса, как отмечается в документации :

заголовки должны быть словарем и будут обрабатываться так, как если бы они add_header()вызывались с каждым ключом и значением в качестве аргументов. Это часто используется для «подделки» User-Agentзаголовка, который используется браузером для идентификации себя - некоторые HTTP-серверы разрешают только запросы, поступающие из обычных браузеров, а не скрипты. Например, Mozilla Firefox может идентифицировать себя как "Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11", а urllib2строка пользовательского агента по умолчанию - "Python-urllib/2.6"(в Python 2.6).


118

Я ответил на аналогичный вопрос пару недель назад.

В этом вопросе есть пример кода, но в основном вы можете сделать что-то вроде этого: (Обратите внимание на использование заглавных букв User-Agentв RFC 2616 , раздел 14.43.)

opener = urllib2.build_opener()
opener.addheaders = [('User-Agent', 'Mozilla/5.0')]
response = opener.open('http://www.stackoverflow.com')

8
Этот метод работает для других заголовков, но не для User-Agent - по крайней мере, не в моей установке 2.6.2. User-Agent почему-то игнорируется.
Натан,

3
Я считаю, User-agentчто на самом деле должно быть User-Agent(A пишется с заглавной буквы) Кажется, у меня работает, когда это делается.
KriiV

1
Имена заголовков нечувствительны к регистру.
Николас

100
headers = { 'User-Agent' : 'Mozilla/5.0' }
req = urllib2.Request('www.example.com', None, headers)
html = urllib2.urlopen(req).read()

Или немного короче:

req = urllib2.Request('www.example.com', headers={ 'User-Agent': 'Mozilla/5.0' })
html = urllib2.urlopen(req).read()

4
С именованными параметрами вы можете сделать это в две строки. Удалите первую строку и заменить второй с этим: req = urllib2.Request('www.example.com', headers={'User-Agent': 'Mozilla/5.0'}). Я предпочитаю эту форму для отправки только одного запроса.
Иэн Сэмюэл Маклин, старейшина,

Или даже короче, в одну строку:html = urlopen(Request('http://www.example.com', headers={'User-Agent': 'Mozilla/5.0'})).read()
пользователь

13

Для python 3 urllib разделен на 3 модуля ...

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)

Это здорово помогло. Я не понимаю, почему мне нужен request.Request, а затем повторите urllib.request.urlopen, где старая версия просто справилась бы с urllib.urlopen (req), но в любом случае это работает, и я знаю, как использовать его в python 3 сейчас .
jamescampbell

У меня по-прежнему появляется ошибка 404 :(
Максим Князев

Я убрал непонятный data=b'None'параметр из ответа. Он преобразовал пример запроса в POST с недопустимыми данными. Вероятно, причина сбоя в вашем случае, @Maksim
пользователь

9

Теоретически все это должно работать, но (по крайней мере, с Python 2.7.2 в Windows) каждый раз, когда вы отправляете настраиваемый заголовок User-agent, urllib2 не отправляет этот заголовок. Если вы не пытаетесь отправить заголовок User-agent, он отправляет Python / urllib2 по умолчанию

Ни один из этих методов, похоже, не работает для добавления User-agent, но они работают для других заголовков:

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')

2
opener.addheadersнаверное должно быть [('User-agent', 'Custom user agent')]. В противном случае все эти методы должны работать (я тестировал на Python 2.7.3 (Linux)). В вашем случае он может сломаться, потому что вы неправильно используете аргумент прокси.
jfs

Для меня вызов build_opener возвращается с пользовательским агентом по умолчанию, уже определенным в заголовках. Таким образом, добавление просто создаст еще один заголовок User-Agent, который как второй будет проигнорирован. Вот почему sol от @jcoon работает.
Vajk Hermecz

6

Для urllibвас можно использовать:

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')

5

Другое решение в urllib2Python 2.7:

req = urllib2.Request('http://www.example.com/')
req.add_unredirected_header('User-Agent', 'Custom User-Agent')
urllib2.urlopen(req)

2
Я получаю сообщение об ошибке 404 для существующей страницы, если URL-адрес вводится через мой браузер
Йебах

2

Попробуй это :

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

1
В вопросе явно обсуждаются, urllib2а не другие модули.
Ron Klein

2

есть два свойства, urllib.URLopener()а именно:
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')]и
version = 'Python-urllib/1.17'.
Чтобы обмануть веб-сайт, вам нужно изменить оба этих значения на допустимый User-Agent. для, например,
браузера Chrome: 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.149 Safari/537.36'
Бот Google: 'Googlebot/2.1'
вот так

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>)

изменение только одного свойства не работает, потому что сайт отмечает это как подозрительный запрос.

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.