Mengubah agen pengguna di urllib2.urlopen

99

Bagaimana cara mengunduh halaman web dengan agen pengguna selain yang default di urllib2.urlopen?

python urllib2 user-agent

61

Mengatur User-Agent dari Dive Into Python favorit semua orang .

Cerita pendeknya: Anda dapat menggunakan Request.add_header untuk melakukan ini.

Anda juga dapat meneruskan header sebagai kamus saat membuat Permintaan itu sendiri, sebagai catatan dokumen :

header harus berupa kamus, dan akan diperlakukan seolah-olah add_header()dipanggil dengan setiap kunci dan nilai sebagai argumen. Ini sering digunakan untuk "memalsukan" User-Agentheader, yang digunakan oleh browser untuk mengidentifikasi dirinya sendiri - beberapa server HTTP hanya mengizinkan permintaan yang datang dari browser umum, bukan dari skrip. Misalnya, Mozilla Firefox dapat mengidentifikasi dirinya sebagai "Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11", sedangkan urllib2string agen pengguna default adalah "Python-urllib/2.6"(pada Python 2.6).

— Paolo Bergantino
sumber

117

Saya menjawab sebuah pertanyaan serupa beberapa minggu yang lalu.

Ada kode contoh dalam pertanyaan itu, tetapi pada dasarnya Anda dapat melakukan sesuatu seperti ini: (Perhatikan kapitalisasi User-Agentpada RFC 2616 , bagian 14.43.)

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

— Jason Coon
sumber

8

Metode itu berfungsi untuk tajuk lain, tetapi bukan Agen-Pengguna - setidaknya tidak di instalasi 2.6.2 saya. Agen-Pengguna diabaikan karena beberapa alasan.

— Nathan

3

Saya percaya User-agentseharusnya User-Agent(Huruf A dalam huruf besar ) Sepertinya berhasil untuk saya ketika dilakukan.

— KriiV

1

Nama header peka huruf besar kecil.

— Nicolás

100

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

Atau, sedikit lebih pendek:

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

— Paolo
sumber

4

Dengan parameter bernama Anda dapat melakukan ini dalam dua baris. Hapus baris pertama dan mengganti kedua dengan ini: req = urllib2.Request('www.example.com', headers={'User-Agent': 'Mozilla/5.0'}). Saya lebih suka formulir ini untuk membuat satu permintaan saja.

— Iain Samuel McLean Elder

Atau bahkan lebih pendek, dalam satu baris:html = urlopen(Request('http://www.example.com', headers={'User-Agent': 'Mozilla/5.0'})).read()

— pengguna

13

Untuk python 3, urllib dibagi menjadi 3 modul ...

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
sumber

Ini sangat membantu. Saya tidak mengerti mengapa saya perlu request.Request dan kemudian ulangi urllib.request.urlopen di mana versi lama hanya akan melakukan urllib.urlopen (req) baik-baik saja tetapi bagaimanapun juga, ini berfungsi dan saya tahu cara menggunakannya di python 3 sekarang .

— jamescampbell

Saya masih mendapatkan Kesalahan 404 :(

— Maksim Kniazev

Saya telah menghapus data=b'None'parameter yang membingungkan dari jawabannya. Ini mengubah contoh permintaan menjadi POST dengan data yang tidak valid. Mungkin alasan kegagalan dalam kasus Anda, @Maksim

— pengguna

9

Semua ini seharusnya bekerja secara teori, tetapi (setidaknya dengan Python 2.7.2 di Windows) setiap kali Anda mengirim header User-agent kustom, urllib2 tidak mengirim header itu. Jika Anda tidak mencoba mengirim tajuk Agen-pengguna, itu mengirim Python / urllib2 default

Tidak satu pun dari metode ini yang tampaknya berfungsi untuk menambahkan Agen-pengguna tetapi metode tersebut berfungsi untuk tajuk lain:

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
sumber

2

opener.addheadersmungkin seharusnya [('User-agent', 'Custom user agent')]. Jika tidak, semua metode ini akan berfungsi (saya telah menguji Python 2.7.3 (Linux)). Dalam kasus Anda, ini mungkin rusak karena Anda menggunakan argumen proxy yang salah.

— jfs

Bagi saya, panggilan build_opener kembali dengan User-Agent default yang sudah ditentukan di header. Jadi menambahkan hanya akan membuat header User-Agent lain, yang sebagai ke-2 akan diabaikan. Itu sebabnya sol @ jcoon's bekerja.

— Vajk Hermecz

6

Untuk urllibAnda dapat menggunakan:

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
sumber

5

Solusi lain di urllib2dan Python 2.7:

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

— OH2GBA
sumber

2

Saya mendapatkan kesalahan 404 untuk halaman yang ada jika url dimasukkan melalui browser saya

— Yebach

2

Coba ini :

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
sumber

1

Pertanyaannya secara eksplisit membahas urllib2dan bukan modul lainnya.

— Ron Klein

2

ada dua sifat urllib.URLopener()yaitu:
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')]dan
version = 'Python-urllib/1.17'.
Untuk menipu situs web, Anda perlu mengubah kedua nilai ini menjadi Agen-Pengguna yang diterima. untuk misalnya
browser Chrome: 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.149 Safari/537.36'
bot Google: 'Googlebot/2.1'
seperti ini

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>)

mengubah satu properti saja tidak akan berfungsi karena situs web menandainya sebagai permintaan yang mencurigakan.

— twitu
sumber