python3爬虫之UserAgent

python3 爬虫之设置User Agent

1. 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

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

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：

1. 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；
2. 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)
`