การเปลี่ยนตัวแทนผู้ใช้บน urllib2.urlopen

ฉันจะดาวน์โหลดเว็บเพจที่มีตัวแทนผู้ใช้นอกเหนือจากค่าเริ่มต้นบน urllib2.urlopen ได้อย่างไร

การตั้งค่า User-Agentจากของทุกคนที่ชื่นชอบการดำน้ำลงในหลาม

เรื่องสั้น: คุณสามารถใช้Request.add_headerเพื่อดำเนินการนี้

นอกจากนี้คุณยังสามารถส่งส่วนหัวเป็นพจนานุกรมได้เมื่อสร้างคำขอเองตามที่เอกสารบันทึกไว้ :

ส่วนหัวควรเป็นพจนานุกรมและจะถือว่าadd_header()มีการเรียกแต่ละคีย์และค่าเป็นอาร์กิวเมนต์ สิ่งนี้มักใช้เพื่อ "ปลอมแปลง" User-Agentส่วนหัวซึ่งเบราว์เซอร์ใช้เพื่อระบุตัวตนเซิร์ฟเวอร์ HTTP บางตัวอนุญาตเฉพาะคำขอที่มาจากเบราว์เซอร์ทั่วไปซึ่งตรงข้ามกับสคริปต์ ตัวอย่างเช่น Mozilla Firefox อาจระบุตัวเองเป็น"Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11"ในขณะที่urllib2สตริงตัวแทนผู้ใช้เริ่มต้นคือ"Python-urllib/2.6"(บน Python 2.6)

ฉันตอบคำถามที่คล้ายกันสองสามสัปดาห์ที่ผ่านมา

มีโค้ดตัวอย่างในคำถามนั้น แต่โดยพื้นฐานแล้วคุณสามารถทำสิ่งนี้ได้: (สังเกตการใช้อักษรตัวพิมพ์ใหญ่User-AgentของRFC 2616ส่วน 14.43)

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

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

หรือสั้นกว่าเล็กน้อย:

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

สำหรับ python 3 urllib แบ่งออกเป็น 3 โมดูล ...

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)

สิ่งเหล่านี้ควรทำงานในทางทฤษฎี แต่ (อย่างน้อยที่สุดด้วย Python 2.7.2 บน Windows) ทุกครั้งที่คุณส่งส่วนหัว User-agent ที่กำหนดเอง urllib2 จะไม่ส่งส่วนหัวนั้น หากคุณไม่พยายามส่ง User-agent header ระบบจะส่ง Python / urllib2 เริ่มต้น

วิธีการเหล่านี้ดูเหมือนจะไม่ได้ผลสำหรับการเพิ่ม User-agent แต่ใช้ได้กับส่วนหัวอื่น ๆ :

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')

สำหรับurllibคุณสามารถใช้:

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')

อีกวิธีหนึ่งในurllib2และ Python 2.7:

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

ลองสิ่งนี้:

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

มีคุณสมบัติสองประการurllib.URLopener()ได้แก่ :
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')]และ
version = 'Python-urllib/1.17'.
ในการหลอกเว็บไซต์คุณต้องเปลี่ยนทั้งสองค่านี้เป็น User-Agent ที่ยอมรับ เช่น
เบราว์เซอร์ 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'
แบบนี้

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>)

การเปลี่ยนคุณสมบัติเพียงรายการเดียวไม่ได้ผลเนื่องจากเว็บไซต์ทำเครื่องหมายว่าเป็นคำขอที่น่าสงสัย