Alterando agente de utilizador em urllib2.urlopen

StackOverflow https://stackoverflow.com/questions/802134

  •  03-07-2019
  •  | 
  •  

Pergunta

Como posso baixar uma página web com um agente de usuário diferente do padrão em urllib2.urlopen?

Foi útil?

Solução

Definir o User-Agent de todos favorito Dive Into Python .

A história curta: Você pode usar Request.add_header para fazer isso.

Você também pode passar os cabeçalhos como um dicionário ao criar o próprio pedido, como os docs nota :

cabeçalhos deve ser um dicionário, e será tratado como se add_header() foi chamado com cada chave e valor como argumentos. Isso é muitas vezes usado para “falsificar” o cabeçalho User-Agent, que é usado por um navegador para identificar-se - alguns servidores HTTP só permitem que os pedidos provenientes de navegadores comuns, em oposição a scripts. Por exemplo, Mozilla Firefox podem identificar-se como "Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11", enquanto seqüência do agente do usuário padrão de urllib2 é "Python-urllib/2.6" (em Python 2.6).

Outras dicas

respondeu um pergunta semelhante há algumas semanas.

Há exemplo de código nesta questão, mas basicamente você pode fazer algo como isto: (Nota da capitalização de User-Agent a partir de RFC 2616 , seção 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()

Ou, um pouco menor: 

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

Para python 3, urllib é dividido em 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)

Todos estes devem funcionar na teoria, mas (com Python 2.7.2 no Windows, pelo menos) a qualquer momento você envia um cabeçalho personalizado User-agent, urllib2 não envia esse cabeçalho. Se você não tentar enviar um cabeçalho User-agent, ele envia o padrão Python / urllib2

Nenhum destes métodos parecem funcionar para adicionar User-agent, mas eles trabalham para outros cabeçalhos: 

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 você pode 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')

Outra solução em urllib2 e Python 2.7: 

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

Tente isto: 

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

Há duas propriedades de urllib.URLopener() a saber:
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')] e
version = 'Python-urllib/1.17'.
Para enganar o site que você precisa para mudar esses valores para um User-Agent aceita. por exemplo
Chrome navegador: 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.149 Safari/537.36'
Google bot: 'Googlebot/2.1'
como esta 

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>)

mudando apenas uma propriedade não funciona porque o website marca como um pedido suspeito.

Licenciado em: CC-BY-SA com atribuição
Não afiliado a StackOverflow
scroll top