Python版本: python3
IDE: pycharm2017.3.3
一、为何要设置User Agent
有一些网站不喜欢被爬虫访问,所以会检测对象,如果是爬虫程序,他就会不让你访问,通过设置User Agent来达到隐藏身份的目的,User Agent的中文名为用户代理,简称UA
User Agent存放于Headers中,服务器就是通过查看Headers中的User Agent来判断是谁在访问。在python中如果不设置User Agent,程序将会私用默认的参数,那么这个User Agent就会有Python字样,防爬网站就会不让你访问
Python允许我们修改这个User Agent来模拟浏览器访问
二、常见的User Agent
1.Android
- Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Safari/535.19
- Mozilla/5.0 (Linux; U; Android 4.0.4; en-gb; GT-I9300 Build/IMM76D) AppleWebKit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30
- Mozilla/5.0 (Linux; U; Android 2.2; en-gb; GT-P1000 Build/FROYO) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1
2.Firefox
- Mozilla/5.0 (Windows NT 6.2; WOW64; rv:21.0) Gecko/20100101 Firefox/21.0
- Mozilla/5.0 (Android; Mobile; rv:14.0) Gecko/14.0 Firefox/14.0
3.Google Chrome
- Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36
- Mozilla/5.0 (Linux; Android 4.0.4; Galaxy Nexus Build/IMM76B) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.133 Mobile Safari/535.19
4.iOS
- Mozilla/5.0 (iPad; CPU OS 5_0 like Mac OS X) AppleWebKit/534.46 (KHTML, like Gecko) Version/5.1 Mobile/9A334 Safari/7534.48.3
- Mozilla/5.0 (iPod; U; CPU like Mac OS X; en) AppleWebKit/420.1 (KHTML, like Gecko) Version/3.0 Mobile/3A101a Safari/419.3
这些User Agent,直接copy就能用
三、设置User Agent的方法
方法一:
使用上面Android的第一个User Agent,创建request对象的时候传入headers参数,代码如下
1 from urllib import request 2 3 #以CSDN为例,CSDN不更改User Agent是无法访问的 4 url = "http://www.csdn.net/" 5 head = {} 6 #写入User Agent信息 7 head[‘User-Agent‘] = ‘Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Safari/535.19‘ 8 #创建Request对象 9 req = request.Request(url, headers=head) 10 #传入创建好的Request对象 11 response = request.urlopen(req) 12 #读取响应信息并解码 13 html = response.read().decode(‘utf-8‘) 14 #打印信息 15 print(html)
结果如下
方法二:
使用上面Android的第一个User Agent,在创建Request对象时不传入headers参数,创建之后使用add_header()方法,添加headers,代码如下
from urllib import request url = ‘http://www.csdn.net/‘ #创建request对象 req = request.Request(url) #传入headers req.add_header(‘User-Agent‘, ‘Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Safari/535.19‘) #传入创建好的Request对象 response = request.urlopen(req) #读取响应信息并解码 html = response.read().decode(‘utf-8‘) print(html)
运行结果与上一个相同
四、IP代理的使用
1.为何使用IP代理
程序的运行速度是很快的,如果我们利用一个爬虫程序在网站爬取东西,一个固定IP的访问频率就会很高,这不符合人为操作的标准,因为人操作不可能在几毫秒内,进行如此频繁的访问。所以一些网站会设置一个IP访问频率的阈值,如果一个IP访问超过这个阈值,说明这个不是人在访问,而是一个爬虫程序
2.步骤
(1)调用urllib.request.ProxyHandler(),proxies参数为一个字典
(2)创建Opener(类似于urlopen,这个代开方式使我们自己定制的)
(3)安装Opener
3.代理IP选取
西刺代理IP从中选取一个 111.155.116.249
4.代码如下
1 from urllib import request 2 3 if __name__ == "__main__": 4 #访问网址 5 url = ‘http://www.whatismyip.com.tw/‘ 6 #这是代理IP 7 proxy = {‘http‘: ‘60.184.175.145‘} 8 #创建ProxyHandler 9 proxy_support = request.ProxyHandler(proxy) 10 #创建Opener 11 opener = request.build_opener(proxy_support) 12 #添加User Angent 13 opener.addheaders = [(‘User-Agent‘, ‘Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Safari/535.19‘)] 14 #安装OPener 15 request.install_opener(opener) 16 #使用自己安装好的Opener 17 response = request.urlopen(url) 18 #读取相应信息并解码 19 html = response.read().decode("utf-8") 20 #打印信息 21 print(html)
原文地址:https://www.cnblogs.com/MC-Curry/p/8503429.html