Cambio de agente de usuario en urllib2.urlopen
-
03-07-2019 - |
Pregunta
¿Cómo puedo descargar una página web con un agente de usuario distinto al predeterminado en urllib2.urlopen?
Solución
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 encabezadoUser-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 queurllib2
' La cadena de agente de usuario predeterminada es" Python-urllib / 2.6 "
(en Python 2.6).
Otros consejos
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')
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()
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)
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')
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')
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)
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
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.