Python3網絡爬蟲(四)：使用User Agent和代理IP隱藏身份

原做者及原文連接：blog.csdn.net/c406495762/…

運行平臺：Windows Python版本：Python3.x IDE：Sublime text3

1、爲什麼要設置User Agent

有一些網站不喜歡被爬蟲程序訪問，因此會檢測鏈接對象，若是是爬蟲程序，也就是非人點擊訪問，它就會不讓你繼續訪問，因此爲了要讓程序能夠正常運行，須要隱藏本身的爬蟲程序的身份。此時，咱們就能夠經過設置User Agent的來達到隱藏身份的目的，User Agent的中文名爲用戶代理，簡稱UA。

User Agent存放於Headers中，服務器就是經過查看Headers中的User Agent來判斷是誰在訪問。在Python中，若是不設置User Agent，程序將使用默認的參數，那麼這個User Agent就會有Python的字樣，若是服務器檢查User Agent，那麼沒有設置User Agent的Python程序將沒法正常訪問網站。

Python容許咱們修改這個User Agent來模擬瀏覽器訪問，它的強大毋庸置疑。

2、常見的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

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

3、設置User Agent的方法

先看下urllib.request.Request()

從上圖能夠看出，在建立Request對象的時候，能夠傳入headers參數。 所以，想要設置User Agent，有兩種方法：

• 1.在建立Request對象的時候，填入headers參數(包含User Agent信息)，這個Headers參數要求爲字典；

• 2.在建立Request對象的時候不添加headers參數，在建立完成以後，使用add_header()的方法，添加headers。

方法一：

建立文件urllib_test09.py，使用上面提到的Android的第一個User Agent，在建立Request對象的時候傳入headers參數，編寫代碼以下：

# -*- coding: UTF-8 -*-
from urllib import request

if __name__ == "__main__":
    #以CSDN爲例，CSDN不更改User Agent是沒法訪問的
    url = 'http://www.csdn.net/'
    head = {}
    #寫入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'
 #建立Request對象
    req = request.Request(url, headers=head)
    #傳入建立好的Request對象
    response = request.urlopen(req)
    #讀取響應信息並解碼
    html = response.read().decode('utf-8')
    #打印信息
    print(html)
複製代碼

運行結果以下：

方法二：

建立文件urllib_test10.py，使用上面提到的Android的第一個User Agent，在建立Request對象時不傳入headers參數，建立以後使用add_header()方法，添加headers，編寫代碼以下：

# -*- coding: UTF-8 -*-
from urllib import request

if __name__ == "__main__":
    #以CSDN爲例，CSDN不更改User Agent是沒法訪問的
    url = 'http://www.csdn.net/'
    #建立Request對象
    req = request.Request(url)
    #傳入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')
    #傳入建立好的Request對象
    response = request.urlopen(req)
    #讀取響應信息並解碼
    html = response.read().decode('utf-8')
    #打印信息
    print(html)
複製代碼

運行結果和上一個方法是同樣的。

4、IP代理的使用

1.爲什麼使用IP代理

User Agent已經設置好了，可是還應該考慮一個問題，程序的運行速度是很快的，若是咱們利用一個爬蟲程序在網站爬取東西，一個固定IP的訪問頻率就會很高，這不符合人爲操做的標準，由於人操做不可能在幾ms內，進行如此頻繁的訪問。因此一些網站會設置一個IP訪問頻率的閾值，若是一個IP訪問頻率超過這個閾值，說明這個不是人在訪問，而是一個爬蟲程序。

2.通常步驟說明

一個很簡單的解決辦法就是設置延時，可是這顯然不符合爬蟲快速爬取信息的目的，因此另外一種更好的方法就是使用IP代理。使用代理的步驟：

(1)調用urlib.request.ProxyHandler()，proxies參數爲一個字典。

(2)建立Opener(相似於urlopen，這個代開方式是咱們本身定製的)

(3)安裝Opener

使用install_opener方法以後，會將程序默認的urlopen方法替換掉。也就是說，若是使用install_opener以後，在該文件中，再次調用urlopen會使用本身建立好的opener。若是不想替換掉，只是想臨時使用一下，可使用opener.open(url)，這樣就不會對程序默認的urlopen有影響。

3.代理IP選取

在寫代碼以前，先在代理IP網站選好一個IP地址，推薦西刺代理IP。

URL：http://www.xicidaili.com/

注意：固然也能夠寫個正則表達式從網站直接爬取IP，可是要記住不要太頻繁爬取，加個延時什麼的，太頻繁給服務器帶來壓力了，服務器會直接把你block，不讓你訪問的，我就被封了兩天。

從西刺網站選出信號好的IP，個人選擇以下：(106.46.136.112:808)

編寫代碼訪問http://www.whatismyip.com.tw/，該網站是測試本身IP爲多少的網址，服務器會返回訪問者的IP。

4.代碼實例

建立文件urllib_test11.py，編寫代碼以下：

# -*- coding: UTF-8 -*-
from urllib import request

if __name__ == "__main__":
    #訪問網址
    url = 'http://www.whatismyip.com.tw/'
    #這是代理IP
    proxy = {'http':'106.46.136.112:808'}
    #建立ProxyHandler
    proxy_support = request.ProxyHandler(proxy)
    #建立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')]
    #安裝OPener
    request.install_opener(opener)
    #使用本身安裝好的Opener
    response = request.urlopen(url)
    #讀取相應信息並解碼
    html = response.read().decode("utf-8")
    #打印信息
    print(html)
複製代碼

運行結果以下：

從上圖能夠看出，訪問的IP已經假裝成了106.46.136.112。

---

相關文章和視頻推薦

圓方圓學院聚集 Python + AI 名師，打造精品的 Python + AI 技術課程。 在各大平臺都長期有優質免費公開課，歡迎報名收看。 公開課地址： ke.qq.com/course/3627…

加入python學習討論羣 78486745 ，獲取資料，和廣大羣友一塊兒學習。

圓方圓python技術討論羣