Alterando agente de utilizador em urllib2.urlopen
-
03-07-2019 - |
Pergunta
Como posso baixar uma página web com um agente de usuário diferente do padrão em urllib2.urlopen?
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 cabeçalhoUser-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 deurllib2
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 ??p>
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.