Python中使用“User-Agent”进行Requests.get请求时，不会模拟浏览器请求。

Question

我需要使用Python从Linux终端收集网页信息，这个方法非常有效，但是有些页面（并非全部）在我使用requests.get时会返回无效的URL，因为它们有代理检测器，并且不知道如何响应我的请求（我不是来自Linux终端的浏览器或移动应用程序）。

即使使用“User-Agent”头也无法解决问题，我尝试了几种不同的方法来发送它以模拟成Mozilla浏览器：

user_agent = {'User-Agent': 'Mozilla/5.0'}

或者

user_agent = {'User-Agent': 'Mozilla/5.0 (Windows; U; Windows NT 5.1; hu-HU; rv:1.7.8) Gecko/20050511 Firefox/1.0.4'}

还有许多其他的组合方式。

在某些服务器上，当我尝试使用这行代码时：

page = requests.get(url, headers=user_agent)

我收到了一个错误请求，因为这些服务器试图向我发送适用于桌面或移动浏览器的网页，但它们未能正确识别。我这样发送 User-Agent 是否有问题？我在 Python Notebook 中尝试了我的代码，由于我当前正在从浏览器发送请求，所以它完美地工作。

- Maximiliano Rios

---

也许他们正在尝试运行一些 JavaScript 代码来检测浏览器。请查看页面源代码。 - poolie

@MaximilianoRios，你的Python笔记本不太可能影响到requests请求的头部。提示：尝试添加一些Referer头部（今天我发现印度的一个页面，在缺少Referer的情况下会回复404）。 - Jan Vlcinsky

但很容易识别问题，我从终端发送请求时得到一个不确定的来源，我从Python笔记本发送请求时它可以工作。我将尝试添加一个引用来看看是否有效。 - Maximiliano Rios

您可以随时使用 http://httpbin.org/get 来让头部信息回显；很可能您需要的不仅仅是一个 User-Agent 头部，requests 库并没有对其进行篡改。也许加上一个 Referrer 头部会更好？ - Martijn Pieters

我建议您使用诸如wireshark之类的工具，精确地查看服务器和实际浏览器之间的对话。这将让您了解对话是否涉及到cookies、JavaScript、自定义标头等内容。 - Serge Ballesta

Answer 1

你正在使用一个非常老的用户代理程序，因此一些网站可能会阻止您访问。

>>> import requests
>>> header = {'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.9; rv:32.0) Gecko/20100101 Firefox/32.0',}
>>> url = 'http://www.w3.org/'
>>> r = requests.get(url, headers=header)
>>> r.headers
CaseInsensitiveDict({'content-length': '40737', 'content-location': 'Home.html', 'accept-ranges': 'bytes', 'expires': 'Tue, 24 Jun 2014 04:44:36 GMT', 'vary': 'negotiate,accept', 'server': 'Apache/2', 'tcn': 'choice', 'last-modified': 'Mon, 23 Jun 2014 11:15:15 GMT', 'etag': '"9f21-4fc7ef51956c0;89-3f26bd17a2f00"', 'cache-control': 'max-age=600', 'date': 'Tue, 24 Jun 2014 04:34:36 GMT', 'p3p': 'policyref="http://www.w3.org/2001/05/P3P/p3p.xml"', 'content-type': 'text/html; charset=utf-8'})
>>> r.request.headers
CaseInsensitiveDict({'Accept-Encoding': 'gzip, deflate, compress', 'Accept': '*/*', 'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.9; rv:32.0) Gecko/20100101 Firefox/32.0'})
>>> 

- karlcow

Answer 2

我使用了伪造的用户代理

使用方法：

from fake_useragent import UserAgent
import requests


ua = UserAgent()
print(ua.chrome)
header = {'User-Agent':str(ua.chrome)}
print(header)
url = "https://www.hybrid-analysis.com/recent-submissions?filter=file&sort=^timestamp"
htmlContent = requests.get(url, headers=header)
print(htmlContent)

输出：

Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_2) AppleWebKit/537.17 (KHTML, like Gecko) Chrome/24.0.1309.0 Safari/537.17
{'User-Agent': 'Mozilla/5.0 (X11; OpenBSD i386) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1985.125 Safari/537.36'}
<Response [200]>

- Umesh Kaushik