Зміна агента користувача на urllib2.urlopen

99

Як я можу завантажити веб-сторінку разом із користувацьким агентом, відмінним від типового, на urllib2.urlopen?

python urllib2 user-agent

61

Налаштування Користувача-агента від улюбленого всіма занурення в Python .

Коротка історія: Ви можете використовувати Request.add_header для цього.

Ви також можете передавати заголовки як словник під час створення самого запиту, як зазначають документи :

заголовки повинні бути словником, і вони будуть розглядатися так, ніби add_header()викликаються з кожною клавішею і значенням як аргументи. Це часто використовується для "підробки" User-Agentзаголовка, який використовується браузером для ідентифікації себе - деякі сервери HTTP дозволяють лише запити, що надходять із звичайних браузерів, на відміну від скриптів. Наприклад, Mozilla Firefox може ідентифікувати себе як "Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11", тоді як urllib2рядком агента користувача за замовчуванням є "Python-urllib/2.6"(на Python 2.6).

— Паоло Бергантіно
джерело

117

Я відповів на подібне запитання пару тижнів тому.

У цьому питанні є приклад коду, але в основному ви можете зробити щось подібне: (Зверніть увагу на використання великих літер User-Agentу RFC 2616 , розділ 14.43.)

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

— Джейсон Кун
джерело

8

Цей метод працює для інших заголовків, але не для User-Agent - принаймні, не в моїй установці 2.6.2. Користувач-агент чомусь ігнорується.

— Натан

3

Я вважаю, що User-agentнасправді має бути User-Agent(А з великої літери) Здається, працює для мене, коли це робиться.

— KriiV

1

Назви заголовків не залежать від регістру.

— Ніколас

100

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

Або трохи коротше:

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

— Паоло
джерело

4

З названими параметрами ви можете зробити це у двох рядках. Видаліть перший рядок і замінити другий з цим: req = urllib2.Request('www.example.com', headers={'User-Agent': 'Mozilla/5.0'}). Я вважаю за краще, щоб ця форма була лише одним запитом.

— Ієн Самуель Маклін Старший

Або ще коротше, в один рядок:html = urlopen(Request('http://www.example.com', headers={'User-Agent': 'Mozilla/5.0'})).read()

— користувач

13

Для python 3 urllib розділений на 3 модулі ...

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)

— Джей Дейв
джерело

Це чудово допомогло. Я не розумію, навіщо мені потрібен request.Request, а потім повторити urllib.request.urlopen, коли стара версія просто зробить urllib.urlopen (req) добре, але так чи інакше, це працює, і я знаю, як це використовувати в python 3 зараз .

— jamescampbell

Я все ще отримую помилку 404 :(

— Максим Князєв

Я видалив заплутаний data=b'None'параметр з відповіді. Він перетворив приклад запиту в POST з недійсними даними. Можливо, причина невдачі у вашому випадку, @Maksim

— користувач

9

Все це повинно працювати теоретично, але (з принаймні Python 2.7.2 для Windows) щоразу, коли ви надсилаєте користувацький заголовок User-agent, urllib2 не надсилає цей заголовок. Якщо ви не намагаєтесь надіслати заголовок User-agent, він надсилає Python / urllib2 за замовчуванням

Жоден із цих методів, здається, не працює для додавання User-agent, але він працює для інших заголовків:

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')

— фіджаарон
джерело

2

opener.addheadersмабуть, мабуть [('User-agent', 'Custom user agent')]. Інакше всі ці методи повинні працювати (я протестував на Python 2.7.3 (Linux)). У вашому випадку це може зламатися, оскільки ви неправильно використовуєте аргумент проксі.

— jfs

Для мене виклик build_opener повертається з типовим User-Agent, який вже визначений у заголовках. Таким чином, додавання просто створить інший заголовок User-Agent, який як 2-ий буде ігнорований. Тому соль @ jcoon працює.

— Вайк Гермеч

6

Для urllibви можете використовувати:

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
джерело

5

Ще одне рішення в urllib2і Python 2.7:

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

— OH2GBA
джерело

2

Я отримую помилку 404 для сторінки, яка існує, якщо URL перейшов через мій браузер

— Yebach

2

Спробуйте це :

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

— акаш каротія
джерело

1

Питання чітко обговорює, urllib2а не інші модулі.

— Рон Кляйн

2

є дві властивості, urllib.URLopener()а саме:
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')]і
version = 'Python-urllib/1.17'.
Щоб обдурити веб-сайт, потрібно змінити обидва ці значення на прийнятий Користувач-агент. наприклад,
браузер Chrome: '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'
як це

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>)

змінити лише один ресурс не працює, оскільки веб-сайт позначає це як підозрілий запит.

— twitu
джерело