更改 urllib2.urlopen 上的用户代理答案

【问题标题】：Changing user agent on urllib2.urlopen更改 urllib2.urlopen 上的用户代理
【发布时间】：2010-10-22 13:48:11
【问题描述】：

我如何下载带有非 urllib2.urlopen 上默认用户代理的网页？

【问题讨论】：

【解决方案1】：

该问题中有示例代码，但基本上你可以这样做：（注意User-Agent 的大写，RFC 2616，第 14.43 节。）

opener = urllib2.build_opener()
opener.addheaders = [('User-Agent', 'Mozilla/5.0')]
response = opener.open('http://www.stackoverflow.com')

【讨论】：

该方法适用于其他标头，但不适用于 User-Agent——至少在我的 2.6.2 安装中无效。由于某种原因，用户代理被忽略了。
我相信 User-agent 实际上应该是 User-Agent（A 大写）这样做似乎对我有用。
标题名称不区分大小写。

【解决方案2】：

headers = { 'User-Agent' : 'Mozilla/5.0' }
req = urllib2.Request('www.example.com', None, headers)
html = urllib2.urlopen(req).read()

或者，更短一点：

req = urllib2.Request('www.example.com', headers={ 'User-Agent': 'Mozilla/5.0' })
html = urllib2.urlopen(req).read()

【讨论】：

使用命名参数，您可以分两行执行此操作。删除第一行并将第二行替换为：req = urllib2.Request('www.example.com', headers={'User-Agent': 'Mozilla/5.0'})。我更喜欢这种形式来提出一个请求。
或者更短，在一行中：html = urlopen(Request('http://www.example.com', headers={'User-Agent': 'Mozilla/5.0'})).read()

【解决方案3】：

Setting the User-Agent来自大家最喜欢的Dive Into Python。

小故事：您可以使用Request.add_header 来执行此操作。

您也可以在创建请求本身时将标头作为字典传递，as the docs note:

headers 应该是一个字典，并且将被视为使用每个键和值作为参数调用 add_header()。这通常用于“欺骗”User-Agent 标头，浏览器使用该标头来标识自己——一些 HTTP 服务器只允许来自普通浏览器的请求，而不是脚本。例如，Mozilla Firefox 可能将自己标识为 "Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11"，而 urllib2 的默认用户代理字符串是 "Python-urllib/2.6"（在 Python 2.6 上）。

【讨论】：

【解决方案4】：

对于 python 3，urllib 被分成 3 个模块...

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)

【讨论】：

这非常有用。我不明白为什么我需要 request.Request 然后重复 urllib.request.urlopen 旧版本会很好地执行 urllib.urlopen(req) 但无论哪种方式，这都有效，我现在知道如何在 python 3 中使用它.
我仍然收到错误 404 :(
我已经从答案中删除了令人困惑的 data=b'None' 参数。它将示例请求转换为带有无效数据的 POST。可能是您的情况失败的原因，@Maksim

【解决方案5】：

所有这些理论上都应该有效，但是（至少在 Windows 上使用 Python 2.7.2）任何时候发送自定义用户代理标头，urllib2 都不会发送该标头。如果您不尝试发送 User-agent 标头，它会发送默认的 Python / urllib2

这些方法似乎都不适用于添加用户代理，但它们适用于其他标头：

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')

【讨论】：

opener.addheaders 应该是[('User-agent', 'Custom user agent')]。否则所有这些方法都应该有效（我已经在 Python 2.7.3 (Linux) 上测试过）。在您的情况下，它可能会中断，因为您使用了错误的代理参数。
对我来说，build_opener 调用返回时已经在标题中定义了默认用户代理。所以追加只会创建另一个 User-Agent 标头，第二个将被忽略。这就是@jcoon 的 sol 起作用的原因。

【解决方案6】：

对于urllib，您可以使用：

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')

【讨论】：

【解决方案7】：

urllib2 和 Python 2.7 中的另一个解决方案：

req = urllib2.Request('http://www.example.com/')
req.add_unredirected_header('User-Agent', 'Custom User-Agent')
urllib2.urlopen(req)

【讨论】：

如果通过我的浏览器输入 url，则存在的页面出现错误 404

【解决方案8】：

urllib.URLopener()有两个属性，分别是：
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')]和
version = 'Python-urllib/1.17'。
要欺骗网站，您需要将这两个值都更改为可接受的用户代理。例如
Chrome 浏览器：'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.149 Safari/537.36'
谷歌机器人：'Googlebot/2.1'
像这样

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>)

仅更改一项属性不起作用，因为网站将其标记为可疑请求。

【讨论】：

【解决方案9】：

试试这个：

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

【讨论】：

该问题明确讨论了urllib2 而不是其他模块。