2017.07.24 Python網絡爬蟲之urllib2修改Header

1.urllib2修改header：

（1）在使用網絡爬蟲時，有一些站點不喜歡被程序訪問（非人爲訪問），會檢查鏈接者的「身份證」；默認狀況下，urllib2把本身的版本號Python-urllib2/x.y做爲本身的「身份證號碼」來經過檢查，這個身份證號碼可能會讓站點有點迷惑，或者乾脆不工做

（2）這時可讓python程序冒充瀏覽器訪問網站，網站是經過瀏覽器發送過來的User-Agent的值來確認瀏覽器身份的，用urllib2建立一個請求對象，並給它一個包含頭數據的字典，修改User-Agent欺騙網站，通常來講，把User-Agent修改爲Internet Explorer是最安全的

補充：

　　User Agent中文名爲用戶代理，簡稱 UA，它是一個特殊字符串頭，使得服務器可以識別客戶使用的操做系統及版本、CPU 類型、瀏覽器及版本、瀏覽器渲染引擎、瀏覽器語言、瀏覽器插件等

　　一些網站經常經過判斷 UA 來給不一樣的操做系統、不一樣的瀏覽器發送不一樣的頁面，所以可能形成某些頁面沒法在某個瀏覽器中正常顯示，但經過假裝 UA 能夠繞過檢測。

　　瀏覽器的 UA 字串

 

　　 標準格式爲： 瀏覽器標識 (操做系統標識; 加密等級標識; 瀏覽器語言) 渲染引擎標識 版本信息

 

　　

（3）將全部常見的User-Agent所有放到一個userAgents.py文件中，以字典的形式保存起來，方便之後當成模塊導入使用：

#!/usr/bin/env python
#-*- coding: utf-8 -*-

pcUserAgent = {
"safari 5.1 – MAC":"User-Agent:Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
"safari 5.1 – Windows":"User-Agent:Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
"IE 9.0":"User-Agent:Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0);",
"IE 8.0":"User-Agent:Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
"IE 7.0":"User-Agent:Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)",
"IE 6.0":"User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
"Firefox 4.0.1 – MAC":"User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
"Firefox 4.0.1 – Windows":"User-Agent:Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
"Opera 11.11 – MAC":"User-Agent:Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
"Opera 11.11 – Windows":"User-Agent:Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
"Chrome 17.0 – MAC":"User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Maxthon":"User-Agent: Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
"Tencent TT":"User-Agent: Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)",
"The World 2.x":"User-Agent: Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
"The World 3.x":"User-Agent: Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
"sogou 1.x":"User-Agent: Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)",
"360":"User-Agent: Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)",
"Avant":"User-Agent: Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)",
"Green Browser":"User-Agent: Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)"
}

mobileUserAgent = {
"iOS 4.33 – iPhone":"User-Agent:Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5",
"iOS 4.33 – iPod Touch":"User-Agent:Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5",
"iOS 4.33 – iPad":"User-Agent:Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5",
"Android N1":"User-Agent: Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
"Android QQ":"User-Agent: MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
"Android Opera ":"User-Agent: Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10",
"Android Pad Moto Xoom":"User-Agent: Mozilla/5.0 (Linux; U; Android 3.0; en-us; Xoom Build/HRI39) AppleWebKit/534.13 (KHTML, like Gecko) Version/4.0 Safari/534.13",
"BlackBerry":"User-Agent: Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+",
"WebOS HP Touchpad":"User-Agent: Mozilla/5.0 (hp-tablet; Linux; hpwOS/3.0.0; U; en-US) AppleWebKit/534.6 (KHTML, like Gecko) wOSBrowser/233.70 Safari/534.6 TouchPad/1.0",
"Nokia N97":"User-Agent: Mozilla/5.0 (SymbianOS/9.4; Series60/5.0 NokiaN97-1/20.0.019; Profile/MIDP-2.1 Configuration/CLDC-1.1) AppleWebKit/525 (KHTML, like Gecko) BrowserNG/7.1.18124",
"Windows Phone Mango":"User-Agent: Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)",
"UC":"User-Agent: UCWEB7.0.2.37/28/999",
"UC standard":"User-Agent: NOKIA5700/ UCWEB7.0.2.37/28/999",
"UCOpenwave":"User-Agent: Openwave/ UCWEB7.0.2.37/28/999",
"UC Opera":"User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999"
}

 

（4）編寫testUrllib2ModifyHeader.py，測試urllib2修改Header：

# !/usr/bin/env python
# -*- coding:utf-8 -*-

import urllib2
import userAgents

"""userAgents是一個自定義的模塊，位置處於當前目錄下"""

class Urllib2ModifyHeader(object):
    def __init__(self):
        """這個是PC端+IE的User-Agent"""
        PIUA=userAgents.pcUserAgent.get('IE 9.0')
        """這個是移動端+UC的User-Agent"""
        MUUA=userAgents.mobileUserAgent.get('UC standard')
        #測試用的網站選擇的是有道翻譯
        self.url='http://fanyi.youdao.com'

        self.useUserAgent(PIUA,1)
        self.useUserAgent(MUUA,2)

    def useUserAgent(self,userAgent,name):
        request=urllib2.Request(self.url)

        request.add_header(userAgent.split(':')[0],userAgent.split(':')[1])
        response=urllib2.urlopen(request)
        fileName=str(name)+'.html'
        with open(fileName,'a') as fp:
            fp.write("%s \n\n" %userAgent)
            fp.write(response.read())

if __name__ == '__main__':
    umh=Urllib2ModifyHeader()

執行結果，獲得1.html和2.html：

 

代碼詳解：

（1）urllib2.Request：urllib2.urlopen能夠接受一個Request對象或者url，（在接受Request對象時候，並以此能夠來設置一個URL的headers）

　　class urllib2.Request(url[, data][, headers][, originreqhost][, unverifiable])

　　Request類是一個抽象的URL請求。

　　5個參數的說明以下:

II.2.1.1 ：URL——是一個字符串，其中包含一個有效的URL。

II.2.1.2 ：data——是一個字符串，指定額外的數據發送到服務器，若是沒有data須要發送能夠爲「None」。目前使用data的HTTP請求是惟一的。當請求含有data參數時，HTTP的請求爲POST，而不是GET。

數據應該是緩存在一個標準的application/x-www-form-urlencoded格式中。urllib.urlencode()函數用映射或2元組，返回一個這種格式的字符串。通俗的說就是若是想向一個URL發送數據（一般這些數據是表明一些CGI腳本或者其餘的web應用）。

例如在網上填的form（表單）時，瀏覽器會POST表單的內容，這些數據須要被以標準的格式編碼（encode），而後做爲一個數據參數傳送給Request對象。例子以下：

II.2.1.3 headers——是字典類型，頭字典能夠做爲參數在request時直接傳入，也能夠把每一個鍵和值做爲參數調用add_header()方法來添加。

做爲辨別瀏覽器身份的User-Agent header是常常被用來惡搞和假裝的，由於一些HTTP服務只容許某些請求來自常見的瀏覽器而不是腳本，或是針對不一樣的瀏覽器返回不一樣的版本。

例如，Mozilla Firefox瀏覽器被識別爲「Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11」。默認狀況下，urlib2把本身識別爲Python-urllib/x.y（這裏的xy是python發行版的主要或次要的版本號，如在Python 2.6中，urllib2的默認用戶代理字符串是「Python-urllib/2.6。

 

詳細學習urllib2參考博客：http://blog.csdn.net/howeblue/article/details/47426265