Zmiana klienta użytkownika w witrynie urllib2.urlopen

99

Jak pobrać stronę internetową z innym klientem użytkownika niż domyślny w witrynie urllib2.urlopen?


źródło

Odpowiedzi:

61

Ustawianie agenta użytkownika z ulubionego przez wszystkich Dive Into Python .

Krótka historia: Możesz użyć Request.add_header, aby to zrobić.

Możesz również przekazać nagłówki jako słownik podczas tworzenia samego żądania, jak zauważają w dokumentacji :

nagłówki powinny być słownikiem i będą traktowane tak, jakby add_header()były wywoływane z każdym kluczem i wartością jako argumentami. Jest to często używane do „fałszowania” User-Agentnagłówka, który jest używany przez przeglądarkę do identyfikacji - niektóre serwery HTTP dopuszczają tylko żądania pochodzące z popularnych przeglądarek, a nie skrypty. Na przykład Mozilla Firefox może identyfikować się jako "Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11", podczas gdy urllib2domyślnym ciągiem agenta użytkownika jest "Python-urllib/2.6"(w Pythonie 2.6).

Paolo Bergantino
źródło
117

I odpowiedział na podobne pytanie kilka tygodni temu.

W tym pytaniu jest przykładowy kod, ale zasadniczo możesz zrobić coś takiego: (Zwróć uwagę na wielkie litery User-Agentod RFC 2616 , sekcja 14.43.)

opener = urllib2.build_opener()
opener.addheaders = [('User-Agent', 'Mozilla/5.0')]
response = opener.open('http://www.stackoverflow.com')
Jason Coon
źródło
8
Ta metoda działa w przypadku innych nagłówków, ale nie User-Agent - przynajmniej nie w mojej instalacji 2.6.2. User-Agent jest z jakiegoś powodu ignorowany.
Nathan
3
Wydaje mi się, że User-agentw rzeczywistości powinno być User-Agent(litera A jest pisana wielką literą).
KriiV,
1
W nazwach nagłówków wielkość liter nie jest rozróżniana.
Nicolás
100
headers = { 'User-Agent' : 'Mozilla/5.0' }
req = urllib2.Request('www.example.com', None, headers)
html = urllib2.urlopen(req).read()

Lub trochę krócej:

req = urllib2.Request('www.example.com', headers={ 'User-Agent': 'Mozilla/5.0' })
html = urllib2.urlopen(req).read()
Paolo
źródło
4
Za pomocą nazwanych parametrów możesz to zrobić w dwóch wierszach. Usuń pierwszą linię i zastąpić drugą z tego: req = urllib2.Request('www.example.com', headers={'User-Agent': 'Mozilla/5.0'}). Wolę ten formularz do składania tylko jednej prośby.
Iain Samuel McLean Elder
Albo jeszcze krócej, w jednej linii:html = urlopen(Request('http://www.example.com', headers={'User-Agent': 'Mozilla/5.0'})).read()
użytkownik
13

W przypadku Pythona 3 urllib jest podzielony na 3 moduły ...

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)
Jay Dave
źródło
Pomogło to cudownie. Nie rozumiem, dlaczego potrzebuję request.Request, a następnie powtórz urllib.request.urlopen, gdzie stara wersja po prostu zrobiłaby urllib.urlopen (req) dobrze, ale tak czy inaczej, to działa i teraz wiem, jak go używać w Pythonie 3 .
jamescampbell
Nadal otrzymuję błąd 404 :(
Maksim Kniazev
Usunąłem mylący data=b'None'parametr z odpowiedzi. Przekształcił przykładowe żądanie w POST z nieprawidłowymi danymi. Prawdopodobnie przyczyna niepowodzenia w twoim przypadku, @Maksim
użytkownik
9

Wszystko to powinno działać w teorii, ale (przynajmniej z Pythonem 2.7.2 w systemie Windows) za każdym razem, gdy wysyłasz niestandardowy nagłówek User-agent, urllib2 nie wysyła tego nagłówka. Jeśli nie spróbujesz wysłać nagłówka User-agent, wyśle ​​on domyślny Python / urllib2

Żadna z tych metod nie wydaje się działać w przypadku dodawania klienta użytkownika, ale działają one w przypadku innych nagłówków:

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')
fijiaaron
źródło
2
opener.addheadersprawdopodobnie powinno być [('User-agent', 'Custom user agent')]. W przeciwnym razie wszystkie te metody powinny działać (testowałem na Pythonie 2.7.3 (Linux)). W twoim przypadku może się zepsuć, ponieważ użyjesz nieprawidłowego argumentu proxy.
jfs
Dla mnie wywołanie build_opener powraca z domyślnym agentem użytkownika, który jest już zdefiniowany w nagłówkach. Tak więc dołączenie spowoduje po prostu utworzenie kolejnego nagłówka User-Agent, który jako drugi zostanie zignorowany. Dlatego sol @ jcoon działa.
Vajk Hermecz
6

Dla urllibmożna użyć:

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
źródło
5

Inne rozwiązanie w urllib2i Python 2.7:

req = urllib2.Request('http://www.example.com/')
req.add_unredirected_header('User-Agent', 'Custom User-Agent')
urllib2.urlopen(req)
OH2GBA
źródło
2
Otrzymuję błąd 404 dla strony, która istnieje, jeśli adres URL został wprowadzony przez moją przeglądarkę
Yebach
2

Spróbuj tego :

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
akash karothiya
źródło
1
Pytanie wyraźnie omawia, urllib2a nie inne moduły.
Ron Klein,
2

istnieją dwie właściwości urllib.URLopener()mianowicie:
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')]i
version = 'Python-urllib/1.17'.
Aby oszukać witrynę, musisz zmienić obie te wartości na akceptowanego User-Agent. np.
przeglądarka Chrome: 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.149 Safari/537.36'
Google bot: w 'Googlebot/2.1'
ten sposób

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>)

zmiana tylko jednej właściwości nie działa, ponieważ witryna oznacza to jako podejrzane żądanie.

twitu
źródło