Urllib2.urlopen üzerinde kullanıcı aracısını değiştirme

Urllib2.urlopen üzerinde varsayılandan farklı bir kullanıcı aracısına sahip bir web sayfasını nasıl indirebilirim?

Herkesin en sevdiği Dive Into Python'dan User-Agent'ı ayarlama .

Kısa hikaye: Bunu yapmak için Request.add_header'ı kullanabilirsiniz .

Dokümanların da belirttiği gibi, İsteğin kendisini oluştururken başlıkları sözlük olarak da iletebilirsiniz :

başlıklar bir sözlük olmalıdır ve add_header()her anahtar ve değerle bağımsız değişken olarak çağrılmış gibi ele alınacaktır . Bu genellikle User-Agent, bir tarayıcı tarafından kendini tanımlamak için kullanılan üstbilgiyi "aldatmak" için kullanılır - bazı HTTP sunucuları, komut dosyalarından farklı olarak yalnızca genel tarayıcılardan gelen isteklere izin verir. Örneğin, Mozilla Firefox olarak kendini tanımlayabilir "Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11"ederken, urllib2bireyin varsayılan kullanıcı aracısı dizesi "Python-urllib/2.6"(Python 2.6 üzerine).

Ben cevap bir benzer bir soru birkaç hafta önce.

Orada o Söz konusu örnek kod, ama temelde böyle bir şey yapabilirsiniz: (büyük harf Not User-Agentitibariyle RFC 2616 ., Bölüm 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()

Veya biraz daha kısa:

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

Python 3 için urllib 3 modüle bölünmüştür ...

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)

Tüm bunlar teorik olarak çalışmalıdır, ancak (en azından Windows'ta Python 2.7.2 ile) özel bir Kullanıcı aracısı başlığı gönderdiğinizde, urllib2 bu başlığı göndermez. Bir Kullanıcı aracısı üstbilgisi göndermeye çalışmazsanız, varsayılan Python / urllib2'yi gönderir.

Bu yöntemlerin hiçbiri Kullanıcı aracısı eklemek için işe yaramıyor gibi görünse de diğer başlıklar için çalışırlar:

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')

İçin urllibkullanabilirsiniz:

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')

urllib2Python 2.7'de başka bir çözüm :

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

Bunu dene :

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

iki özelliği vardır urllib.URLopener():
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')]ve
version = 'Python-urllib/1.17'.
Web sitesini kandırmak için bu değerlerin her ikisini de kabul edilen bir Kullanıcı Aracı olarak değiştirmeniz gerekir. örneğin
Chrome tarayıcısı için: 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.149 Safari/537.36'
Google bot: bunun 'Googlebot/2.1'
gibi

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>)

Web sitesi şüpheli bir istek olarak işaretlediği için yalnızca bir mülkün değiştirilmesi işe yaramaz.