Alterando o agente do usuário em urllib2.urlopen

99

Como posso baixar uma página da web com um agente de usuário diferente do padrão em urllib2.urlopen?


fonte

Respostas:

61

Configurando o User-Agent do Dive Into Python favorito de todos .

A história curta: você pode usar Request.add_header para fazer isso.

Você também pode passar os cabeçalhos como um dicionário ao criar a própria solicitação, conforme a nota do documento :

os cabeçalhos devem ser um dicionário e serão tratados como se add_header()fossem chamados com cada chave e valor como argumentos. Isso geralmente é usado para “falsificar” o User-Agentcabeçalho, que é usado por um navegador para se identificar - alguns servidores HTTP permitem apenas solicitações provenientes de navegadores comuns, em vez de scripts. Por exemplo, o Mozilla Firefox pode se identificar como "Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11", enquanto urllib2a string do agente do usuário padrão é "Python-urllib/2.6"(no Python 2.6).

Paolo Bergantino
fonte
117

Eu respondi a uma pergunta semelhante algumas semanas atrás.

Há um código de exemplo nessa questão, mas basicamente você pode fazer algo assim: (Observe a capitalização de a User-Agentpartir de RFC 2616 , seção 14.43.)

opener = urllib2.build_opener()
opener.addheaders = [('User-Agent', 'Mozilla/5.0')]
response = opener.open('http://www.stackoverflow.com')
Jason Coon
fonte
8
Esse método funciona para outros cabeçalhos, mas não User-Agent - pelo menos não na minha instalação 2.6.2. O agente do usuário é ignorado por algum motivo.
Nathan de
3
Eu acredito que User-agentdeveria de fato ser User-Agent(O A é maiúsculo) Parece funcionar para mim quando faço isso.
KriiV
1
Os nomes dos cabeçalhos não diferenciam maiúsculas de minúsculas.
Nicolás
100
headers = { 'User-Agent' : 'Mozilla/5.0' }
req = urllib2.Request('www.example.com', None, headers)
html = urllib2.urlopen(req).read()

Ou um pouco mais curto:

req = urllib2.Request('www.example.com', headers={ 'User-Agent': 'Mozilla/5.0' })
html = urllib2.urlopen(req).read()
Paolo
fonte
4
Com os parâmetros nomeados, você pode fazer isso em duas linhas. Remova a primeira linha e substitua a segunda com este: req = urllib2.Request('www.example.com', headers={'User-Agent': 'Mozilla/5.0'}). Prefiro este formulário para fazer apenas um pedido.
Iain Samuel McLean Elder,
Ou ainda mais curto, em uma linha:html = urlopen(Request('http://www.example.com', headers={'User-Agent': 'Mozilla/5.0'})).read()
usuário de
13

Para python 3, urllib é dividido em 3 módulos ...

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)
Jay Dave
fonte
Isso ajudou maravilhosamente. Não entendo por que preciso de request.Request e, em seguida, repita urllib.request.urlopen onde a versão antiga faria urllib.urlopen (req) bem, mas de qualquer forma, isso funciona e eu sei como usá-lo em python 3 agora .
Jamescampbell
Ainda estou recebendo o Erro 404 :(
Maksim Kniazev
Eu removi o data=b'None'parâmetro confuso da resposta. Ele transformou a solicitação de exemplo em POST com dados inválidos. Provavelmente o motivo da falha em seu caso, @Maksim
usuário
9

Tudo isso deve funcionar em teoria, mas (com o Python 2.7.2 no Windows, pelo menos) sempre que você enviar um cabeçalho de agente do usuário personalizado, o urllib2 não enviará esse cabeçalho. Se você não tentar enviar um cabeçalho do agente do usuário, ele enviará o padrão Python / urllib2

Nenhum desses métodos parece funcionar para adicionar o User-agent, mas funcionam para outros cabeçalhos:

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')
Fijiaaron
fonte
2
opener.addheadersprovavelmente deveria ser [('User-agent', 'Custom user agent')]. Caso contrário, todos esses métodos devem funcionar (eu testei no Python 2.7.3 (Linux)). No seu caso, ele pode falhar porque você usa o argumento de proxy errado.
jfs de
Para mim, a chamada build_opener retorna com um User-Agent padrão já definido nos cabeçalhos. Portanto, anexar apenas criará outro cabeçalho do Agente do Usuário, que como segundo será ignorado. É por isso que o sol de @jcoon está funcionando.
Vajk Hermecz
6

Pois urllibvocê pode usar:

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')
CONvid19
fonte
5

Outra solução em urllib2e Python 2.7:

req = urllib2.Request('http://www.example.com/')
req.add_unredirected_header('User-Agent', 'Custom User-Agent')
urllib2.urlopen(req)
OH2GBA
fonte
2
Recebo o erro 404 para uma página que existe se o URL for inserido no meu navegador
Yebach
2

Experimente isto:

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
Akash Karothiya
fonte
1
A questão discute explicitamente urllib2e não outros módulos.
Ron Klein
2

existem duas propriedades, a urllib.URLopener()saber:
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')]e
version = 'Python-urllib/1.17'.
Para enganar o site, você precisa alterar esses dois valores para um User-Agent aceito. por exemplo,
navegador Chrome: 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.149 Safari/537.36'
bot do Google: 'Googlebot/2.1'
assim

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>)

alterar apenas uma propriedade não funciona porque o site a marca como uma solicitação suspeita.

twitu
fonte