python爬虫----User Agent,代理IP设置

最新推荐文章于 2024-08-06 11:55:39 发布

瑶子ove

最新推荐文章于 2024-08-06 11:55:39 发布

阅读量196

点赞数

参考：https://blog.csdn.net/c406495762/article/details/60137956

'''
使用User Agent和代理IP隐藏身份
        针对某些网站不希望被爬虫程序方位，所以会检测链接对象，所以用户需要隐藏自己的爬虫
    程序身份，可以通过设置User Agent（简称UA）来达到目的
        User Agent存放于Headers中，服务器就是通过查看Headers中的User Agent来判断是谁在访
    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P
    ython的字样，如果服务器检查User Agent，那么没有设置User Agent的Python程序将无法正常访
    问网站。

       因此，想要设置User Agent，有两种方法：

    1.在创建Request对象的时候，填入headers参数(包含User Agent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，在创建完成之后，使用add_header()的方法，添加headers。

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
    上面列举了Andriod、Firefox、Google Chrome、iOS的一些User Agent，直接copy就能用。


'''

#使用android第一个User Agent

# -*- coding:utf-8 -*-
from urllib import request
#使用方法一
# if __name__ == '__main__':
#     #以CSDN为例，不更改User Agent无法访问
#     url = 'http://www.csdn.net/'
#     head = {}
#     #写入User Agent信息
#     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'
#     #创建Request对象
#     req = request.Request(url,headers=head)
#     response = request.urlopen(req)
#     #读取响应信息并解码
#     html = response.read().decode('utf-8')
#     #打印信息
#     print(html)


#使用方法二
# if __name__ == '__main__':
#     url = 'http://www.csdn.net/'
#     req = request.Request(url)
#     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')
#     response = request.urlopen(req)
#     html = response.read().decode('utf-8')
#     print(html)


'''
IP代理
        使用原因: User Agent已经设置好了，但是还应该考虑一个问题，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ms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访问频率超过这个阈值，说明这个不是人
    在访问，而是一个爬虫程序。可以使用设置延时的方法，但是这不符合设计爬虫程序的初衷，因此采用IP代理的办法，具
    体操作如下：
        （1）调用urlib.request.ProxyHandler()，proxies参数为一个字典
        （2）创建Opener(类似于urlopen，这个代开方式是我们自己定制的)
        （3）安装Opener。使用install_opener方法之后，会将程序默认的urlopen方法替换掉。也就是说，如果使用
        install_opener之后，在该文件中，再次调用urlopen会使用自己创建好的opener。如果不想替换掉，只是想临
        时使用一下，可以使用opener.open(url)，这样就不会对程序默认的urlopen有影响。
'''

if __name__ == '__main__':
    #访问网址
    url = 'http://www.csdn.com/'
    #代理ip
    proxy = {'http':'211.101.130.222'}
    #创建ProxyHandler
    proxy_support = request.ProxyHandler(proxy)
    #创建Opener
    opener = request.build_opener(proxy_support)
    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')]
    #安装OPener
    request.install_opener(opener)
    #$使用安装好的Opener
    response = request.urlopen(url)
    #读取相应的信息并解码
    html = response.read().decode('utf-8')
    print(html)