urllib2.urlopenのユーザーエージェントを変更する
-
03-07-2019 - |
質問
urllib2.urlopenのデフォルト以外のユーザーエージェントを使用してWebページをダウンロードするにはどうすればよいですか?
解決
すべてのユーザーのお気に入り
短編: Request.add_header を使用できますこれを行うには。
リクエスト自体を作成するときに、ヘッダーを辞書として渡すこともできます、 asドキュメントノート:
headers は辞書でなければならず、各キーと値を引数として
add_header()
が呼び出されたかのように扱われます。これはよく“なりすまし”に使用されます。ブラウザが自身を識別するために使用するUser-Agent
ヘッダー–一部のHTTPサーバーは、スクリプトではなく一般的なブラウザからのリクエストのみを許可します。たとえば、Mozilla Firefoxは、" Mozilla / 5.0(X11; U; Linux i686)Gecko / 20071127 Firefox / 2.0.0.11"
であるのに対し、urllib2
& #8216;のデフォルトのユーザーエージェント文字列は" Python-urllib / 2.6"
(Python 2.6の場合)です。
他のヒント
headers = { 'User-Agent' : 'Mozilla/5.0' }
req = urllib2.Request('www.example.com', None, headers)
html = urllib2.urlopen(req).read()
またはもう少し短く:
req = urllib2.Request('www.example.com', headers={ 'User-Agent': 'Mozilla/5.0' })
html = urllib2.urlopen(req).read()
Python 3の場合、urllibは3つのモジュールに分割されます...
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)
これらはすべて理論上は機能するはずですが、(少なくともWindows上のPython 2.7.2では)カスタムUser-agentヘッダーを送信するたびに、urllib2はそのヘッダーを送信しません。 User-agentヘッダーを送信しようとしない場合、デフォルトのPython / urllib2が送信されます
これらのメソッドはいずれもUser-agentの追加には機能しないようですが、他のヘッダーには機能します:
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')
urllib
には次を使用できます:
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')
urllib2
およびPython 2.7の別のソリューション:
req = urllib2.Request('http://www.example.com/')
req.add_unredirected_header('User-Agent', 'Custom User-Agent')
urllib2.urlopen(req)
これを試してください:
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
urllib.URLopener()
には次の2つのプロパティがあります。
addheaders = [( 'User-Agent'、 'Python-urllib / 1.17')、( 'Accept'、 '* / *')]
および
version = 'Python-urllib / 1.17'
。
Webサイトをだますためには、これらの値の両方を受け入れられたUser-Agentに変更する必要があります。たとえば
Chromeブラウザ: 'Mozilla / 5.0(X11; Linux x86_64)AppleWebKit / 537.36(KHTML、Geckoなど)Chrome / 33.0.1750.149 Safari / 537.36'
Googleボット: 'Googlebot / 2.1'
このような
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>)
1つのプロパティのみを変更しても、Webサイトが疑わしいリクエストとしてマークするため機能しません。