如何在urllib2.urlopen
中使用非默认用户代理下载网页?
urllib2.urlopen
在Python 3.x中不可用;相应的3.x版本是urllib.request.urlopen
。请参阅更改Python 3中urrlib.request.urlopen的用户代理,使用标准库HTTP工具设置用户代理。
如何在urllib2.urlopen
中使用非默认用户代理下载网页?
urllib2.urlopen
在Python 3.x中不可用;相应的3.x版本是urllib.request.urlopen
。请参阅更改Python 3中urrlib.request.urlopen的用户代理,使用标准库HTTP工具设置用户代理。
headers = { 'User-Agent' : 'Mozilla/5.0' }
req = urllib2.Request('www.example.com', None, headers)
html = urllib2.urlopen(req).read()
或者,稍微简洁一些:
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'})
。对于仅进行单个请求的情况,我更喜欢这种形式。 - Iain Samuel McLean Elderhtml = urlopen(Request('http://www.example.com', headers={'User-Agent': 'Mozilla/5.0'})).read()
- user设置User-Agent,来自大家喜爱的Dive Into Python。
简短的故事:您可以使用Request.add_header来实现此功能。
当创建请求本身时,您还可以将标头作为字典传递,如文档所述:
headers应该是一个字典,并且将被视为如果使用每个键和值作为参数调用
add_header()
。这通常用于"欺骗"浏览器用于识别自己的标题-一些HTTP服务器仅允许来自常见浏览器而不是脚本的请求。例如,Mozilla Firefox可能将其自身标识为"Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11"
,而urllib2
的默认用户代理字符串为"Python-urllib/2.6"
(在Python 2.6上)。
对于Python 3,urllib被分成了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'
参数。它将示例请求转换为具有无效数据的POST请求。这很可能是@Maksim案例失败的原因。 - user理论上,所有这些方法都应该有效,但是(至少在Windows上使用Python 2.7.2),每当您发送自定义User-agent标头时,urllib2就不会发送该标头。 如果您不尝试发送User-agent标头,则它将发送默认的Python / urllib2标头。
这些方法似乎都无法添加User-agent,但它们适用于其他标题:
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
应该改为 [('User-agent', 'Custom user agent')]
。否则这些方法都应该可以正常工作(我已在 Python 2.7.3 (Linux) 上测试过)。在你的情况下,它可能会出错,因为你错误地使用了代理参数。 - jfs如果您使用的是 urllib
:
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
中的另一种解决方案:req = urllib2.Request('http://www.example.com/')
req.add_unredirected_header('User-Agent', 'Custom User-Agent')
urllib2.urlopen(req)
urllib.URLopener()
有两个属性,分别为:
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')]
和
version = 'Python-urllib/1.17'
。
为了欺骗网站,您需要将这两个值都更改为被接受的 User-Agent。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 机器人:'Googlebot/2.1'
就像这样。
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>)
只更改一个属性是不行的,因为网站会将其标记为可疑请求。
Try this :
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
模块,而不是其他模块。 - Ron Klein