如何在urllib2.urlopen上使用默认用户代理下载网页?
答案 0 :(得分:113)
该问题中有示例代码,但基本上您可以执行以下操作:(注意User-Agent
自RFC 2616的大写,第14.43节。)
opener = urllib2.build_opener()
opener.addheaders = [('User-Agent', 'Mozilla/5.0')]
response = opener.open('http://www.stackoverflow.com')
答案 1 :(得分:99)
headers = { 'User-Agent' : 'Mozilla/5.0' }
req = urllib2.Request('www.example.com', None, headers)
html = urllib2.urlopen(req).read()
或者,有点短:
req = urllib2.Request('www.example.com', headers={ 'User-Agent': 'Mozilla/5.0' })
html = urllib2.urlopen(req).read()
答案 2 :(得分:56)
短篇小说:您可以使用Request.add_header来执行此操作。
您还可以在创建请求本身时将标题作为字典传递,as the docs note:
headers 应该是一个字典,并且将被视为使用每个键和值作为参数调用
add_header()
。这通常用于“欺骗”User-Agent
标头,浏览器使用该标头来标识自身 - 某些HTTP服务器仅允许来自常见浏览器而非脚本的请求。例如,Mozilla Firefox可能将自己标识为"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)。
答案 3 :(得分: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)
答案 4 :(得分:9)
所有这些都应该在理论上有效,但(至少在Windows上使用Python 2.7.2)每次发送自定义User-agent标头时,urllib2都不会发送该标头。如果您不尝试发送User-agent标头,则会发送默认的Python / urllib2
这些方法似乎都不适用于添加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')
答案 5 :(得分: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')
答案 6 :(得分: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)
答案 7 :(得分: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
答案 8 :(得分:2)
urllib.URLopener()
有两个属性,即:
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')]
和
version = 'Python-urllib/1.17'
。
要欺骗网站,您需要将这两个值更改为已接受的用户代理。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'
谷歌机器人:'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>)
仅更改一个属性不起作用,因为该网站将其标记为可疑请求。