Cambio de agente de usuario en urllib2.urlopen

Question

¿Cómo puedo descargar una página web con un agente de usuario distinto al predeterminado en urllib2.urlopen?

Answer 1

Configuración del User-Agent desde el favorito de todos Dive Into Python .

El cuento: puedes usar Request.add_header para hacer esto.

También puede pasar los encabezados como un diccionario al crear la Solicitud, as la nota de documentos :

  

headers debe ser un diccionario, y se tratará como si se llamara a add_header () con cada clave y valor como argumentos. A menudo se usa para "simular" el encabezado User-Agent , que utiliza un navegador para identificarse: algunos servidores HTTP solo permiten solicitudes provenientes de navegadores comunes en lugar de scripts. Por ejemplo, Mozilla Firefox puede identificarse como " Mozilla / 5.0 (X11; U; Linux i686) Gecko / 20071127 Firefox / 2.0.0.11 " , mientras que urllib2 ' La cadena de agente de usuario predeterminada es " Python-urllib / 2.6 " (en Python 2.6).

Answer 2

He respondí a pregunta similar hace un par de semanas.

Hay un código de ejemplo en esa pregunta, pero básicamente puedes hacer algo como esto: (Ten en cuenta el uso de mayúsculas en User-Agent a partir de RFC 2616 , sección 14.43.)

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

Answer 3

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

O, un poco más corto:

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

Answer 4

Para Python 3, urllib se divide en 3 módulos ...

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)

Answer 5

Todo esto debería funcionar en teoría, pero (con Python 2.7.2 en Windows al menos) cada vez que envíe un encabezado personalizado de User-agent, urllib2 no envía ese encabezado. Si no intenta enviar un encabezado de agente de usuario, envía el Python / urllib2 predeterminado

Ninguno de estos métodos parece funcionar para agregar User-agent, pero funcionan para otros encabezados:

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')

Answer 6

Para urllib puede usar:

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')

Answer 7

Otra solución en urllib2 y Python 2.7:

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

Answer 8

Prueba esto:

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

Answer 9

hay dos propiedades de urllib.URLopener () a saber:
addheaders = [('User-Agent', 'Python-urllib / 1.17'), ('Aceptar', '* / *')] y
version = 'Python-urllib / 1.17' .
Para engañar al sitio web, necesita cambiar ambos valores a un User-Agent aceptado. por ejemplo,
Navegador Chrome: 'Mozilla / 5.0 (X11; Linux x86_64) AppleWebKit / 537.36 (KHTML, como Gecko) Chrome / 33.0.1750.149 Safari / 537.36'
Bot de Google: 'Googlebot / 2.1'
como este

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>)

cambiar solo una propiedad no funciona porque el sitio web lo marca como una solicitud sospechosa.