作者:炫彩十字绣I_775 | 来源:互联网 | 2023-07-03 10:18
运行平台:WindowsPython版本:Python3.xIDE:Sublimetext3转载请注明作者和出处:http:blog.csdn.netc4064957
运行平台:Windows
Python版本:Python3.x
IDE:Sublime text3
3358 www.Sina.com/http://blog.csdn.net/c 406495762/article/details/60137956
转载请注明作者和出处:
因为讨厌被爬虫类程序访问,所以有检测连接对象的网站。 爬虫程序,也就是非人点击访问时,不会继续访问,所以为了程序正常运行,必须隐藏自己爬虫程序的身份。 此时,我们可以通过设置用户代理的来达到隐藏身份的目的。 用户代理的中文名字是用户代理,简称UA。
用户代理被容纳在头中,服务器通过查看头的用户代理来判断是谁在访问。 在Python中,如果不设置用户代理,程序将使用缺省参数。 然后,此用户代理将被标记为Python,并且如果服务器检查用户代理,则未设置用户代理的Python程序将无法正常访问网站。
在Python中,可以修改此用户代理以模拟浏览器访问。 其强度是毋庸置疑的。
一、为何要设置User Agent
二、常见的User Agent
Mozilla/5.0(Linux; 安卓4.1.1; nexus7build/jro 03 d (apple WebKit/535.19 ) khtml,like Gecko ) chrome/18.0.1025.166 safari/535.19 Mozilla/5.0 ) LLE 安卓4.0.4 en-GB; gt-I 9300 build/IMM 76 d (apple WebKit/534.30 ) khtml,like Gecko ) version/4.0 mobile safari/534.30 Mozilla/5.0 ) Linux u 安卓2.2 en-GB; gt-p 1000 build/fr oyo (apple WebKit/533.1 ) khtml,like Gecko ) version/4.0 mobile safari/533.1http://www.Sina.com /
Mozilla/5.0(windowsnt6.2; WOW64; rv:21.0 ) gecko/2010 01 01 Firefox/21.0 Mozilla/5.0 (Android; 移动; rv:14.0 ) gecko/14.0 Firefox/14.0http://www.Sina.com /
Mozilla/5.0(windowsnt6.2; WOW64 ) appleWebKit/537.36(khtml,like Gecko ) chrome/27.0.1453.94 safari/537.36 Mozilla/5.0 ) Linux; 安卓4.0.4 galaxynexusbuild/IMM 76 b (apple WebKit/535.19 ) khtml,like Gecko ) chrome/18.0.1025.133 mobile safafare
Mozilla/5.0(ipad; CPU OS5_0like ma cosx (apple WebKit/534.46 (khtml,like Gecko ) version/5.1 mobile/9a 334 safari/7534.48.3 Mozilla/CPU like Mac OS X; en )在appleWebKit/420.1(khtml,like Gecko ) version/3.0 mobile/3a 101 a safari/419.3上添加Andriod、Firefox、Google Chrome、chrome
1.Android
首先是urllib.request.Request (
如上图所示,可以在创建Request对象时传递headers参数。
因此,有两种方法可以设置用户代理。
创建Request对象时,请填写包含用户代理信息的头参数。 此标题参数必须是词典。
创建Request对象时不添加headers参数,并在创建完成后使用add_header ()的方法添加headers。
2.Firefox
创建文件urllib_test09.py,使用上面提到的Android的第一个User Agent,在创建Request对象的时候传入headers参数,编写代码如下: # -*- coding: UTF-8 -*-from urllib import requestif __name__ == "__main__": #以CSDN为例,CSDN不更改User Agent是无法访问的 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) #传入创建好的Request对象 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)
运行结果如下:
方法二:
创建文件urllib_test10.py,使用上面提到的Android的第一个User Agent,在创建Request对象时不传入headers参数,创建之后使用add_header()方法,添加headers,编写代码如下:
# -*- coding: UTF-8 -*-from urllib import requestif __name__ == "__main__": #以CSDN为例,CSDN不更改User Agent是无法访问的 url = 'http://www.csdn.net/' #创建Request对象 req = request.Request(url) #传入headers 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') #传入创建好的Request对象 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)
运行结果和上一个方法是一样的。
四、IP代理的使用
1.为何使用IP代理
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。
2.一般步骤说明
一个很简单的解决办法就是设置延时,但是这显然不符合爬虫快速爬取信息的目的,所以另一种更好的方法就是使用IP代理。使用代理的步骤:
(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。
3.代理IP选取
在写代码之前,先在代理IP网站选好一个IP地址,推荐西刺代理IP。
URL:http://www.xicidaili.com/
注意:当然也可以写个正则表达式从网站直接爬取IP,但是要记住不要太频繁爬取,加个延时什么的,太频繁给服务器带来压力了,服务器会直接把你block,不让你访问的,我就被封了两天。
从西刺网站选出信号好的IP,我的选择如下:(106.46.136.112:808)
编写代码访问http://www.whatismyip.com.tw/,该网站是测试自己IP为多少的网址,服务器会返回访问者的IP。
4.代码实例
创建文件urllib_test11.py,编写代码如下:
# -*- coding: UTF-8 -*-from urllib import requestif __name__ == "__main__": #访问网址 url = 'http://www.whatismyip.com.tw/' #这是代理IP proxy = {'http':'106.46.136.112:808'} #创建ProxyHandler proxy_support = request.ProxyHandler(proxy) #创建Opener opener = request.build_opener(proxy_support) #添加User Angent opener.addheaders = [('User-Agent','Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36')] #安装OPener request.install_opener(opener) #使用自己安装好的Opener respOnse= request.urlopen(url) #读取相应信息并解码 html = response.read().decode("utf-8") #打印信息 print(html)
运行结果如下:
从上图可以看出,访问的IP已经伪装成了106.46.136.112。