python3 爬虫之设置User Agent
为何要设置User Agent
有一些网站不喜欢被爬虫访问,所以会连接检测对象,如果是爬虫程序,也就是非人点击访问,它就不会让你继续访问,所以为了要让程序可以正常运行,需要隐藏自己的爬虫程序的身份。此时,我们可以通过设置User Agent的来达到隐藏身份的目的。
User Agent存放于Headers中,服务器就是通过查看Headers中的User Agent来判断谁在访问。在Python中,如果不设置User Agent,程序将使用默认的参数,那么这个User Agent就会有Python的字样,如果服务器检查User Agent,那么没有设置User Agent的Python程序将无法访问网站。
Python 允许我们修改这个User Agent来模拟浏览器访问,它的强大母庸质疑。
二.常见的User Agent
- 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
- 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
上面列举了Andriod、Firefox、Google Chrome、iOS的一些User Agent,直接copy就能用。
三. 设置User Agent的方法
先看下urlib.request.Request()
class urllib.request.Request(url,data = None,headers = {},origin_req_host = None,unverifiable = False,method = None )¶
从这里看出,创建Request对象的时候,可以传入headers参数。因此设置UserAgent,有两种方法:
- 在创建Request对象的时候,填入Headers参数(包括UserAgent信息),这个Headers参数要求为字典;
- 在创建Request对象的时候不添加Headers参数,在创建完成后,使用add_header()的方法,添加headers
下面展示第一种用法
`
from urllib import request
if __name__ == "__main__":
#以CSDN为例
#定义url
url = "http://www.csdn.net/"
headers = {}
#写入User Agent信息
headers['User-Agent'] = 'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36'
#创建Request对象
req = request.Request(url,headers=headers)
#传入创建好的Request对象
res = request.urlopen(req)
#读取响应信息并解码
html = res.read().decode('utf-8')
#打印信息
print(html)
`
下面展示第二种方法
`
from urllib import request
if __name__ == "__main__":
#定义url
url = "http://www.csdn.net"
#构建Request
req = request.Request(url)
#add_headers
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36')
#下面基本和上述一样
res = request.urlopen(req)
html = res.read().decode('utf-8')
print(html)
`