Python3网络爬虫(四)：使用User Agent和代理IP隐藏身份

原做者及原文连接：blog.csdn.net/c406495762/…

运行平台：Windows Python版本：Python3.x IDE：Sublime text3

1、为什么要设置User Agent

有一些网站不喜欢被爬虫程序访问，因此会检测链接对象，若是是爬虫程序，也就是非人点击访问，它就会不让你继续访问，因此为了要让程序能够正常运行，须要隐藏本身的爬虫程序的身份。此时，咱们就能够经过设置User Agent的来达到隐藏身份的目的，User Agent的中文名为用户代理，简称UA。

User Agent存放于Headers中，服务器就是经过查看Headers中的User Agent来判断是谁在访问。在Python中，若是不设置User Agent，程序将使用默认的参数，那么这个User Agent就会有Python的字样，若是服务器检查User Agent，那么没有设置User Agent的Python程序将没法正常访问网站。

Python容许咱们修改这个User Agent来模拟浏览器访问，它的强大毋庸置疑。

2、常见的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

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

3、设置User Agent的方法

先看下urllib.request.Request()

从上图能够看出，在建立Request对象的时候，能够传入headers参数。 所以，想要设置User Agent，有两种方法：

• 1.在建立Request对象的时候，填入headers参数(包含User Agent信息)，这个Headers参数要求为字典；

• 2.在建立Request对象的时候不添加headers参数，在建立完成以后，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的第一个User Agent，在建立Request对象的时候传入headers参数，编写代码以下：

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

if __name__ == "__main__":
    #以CSDN为例，CSDN不更改User Agent是没法访问的
    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'
 #建立Request对象
    req = request.Request(url, headers=head)
    #传入建立好的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)
复制代码

运行结果以下：

方法二：

建立文件urllib_test10.py，使用上面提到的Android的第一个User Agent，在建立Request对象时不传入headers参数，建立以后使用add_header()方法，添加headers，编写代码以下：

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

if __name__ == "__main__":
    #以CSDN为例，CSDN不更改User Agent是没法访问的
    url = 'http://www.csdn.net/'
    #建立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')
    #传入建立好的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)
复制代码

运行结果和上一个方法是同样的。

4、IP代理的使用

1.为什么使用IP代理

User Agent已经设置好了，可是还应该考虑一个问题，程序的运行速度是很快的，若是咱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，这不符合人为操做的标准，由于人操做不可能在几ms内，进行如此频繁的访问。因此一些网站会设置一个IP访问频率的阈值，若是一个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.通常步骤说明

一个很简单的解决办法就是设置延时，可是这显然不符合爬虫快速爬取信息的目的，因此另外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)建立Opener(相似于urlopen，这个代开方式是咱们本身定制的)

(3)安装Opener

使用install_opener方法以后，会将程序默认的urlopen方法替换掉。也就是说，若是使用install_opener以后，在该文件中，再次调用urlopen会使用本身建立好的opener。若是不想替换掉，只是想临时使用一下，可使用opener.open(url)，这样就不会对程序默认的urlopen有影响。

3.代理IP选取

在写代码以前，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：固然也能够写个正则表达式从网站直接爬取IP，可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，个人选择以下：(106.46.136.112:808)

编写代码访问http://www.whatismyip.com.tw/，该网站是测试本身IP为多少的网址，服务器会返回访问者的IP。

4.代码实例

建立文件urllib_test11.py，编写代码以下：

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

if __name__ == "__main__":
    #访问网址
    url = 'http://www.whatismyip.com.tw/'
    #这是代理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')]
    #安装OPener
    request.install_opener(opener)
    #使用本身安装好的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)
复制代码

运行结果以下：

从上图能够看出，访问的IP已经假装成了106.46.136.112。

---

相关文章和视频推荐

圆方圆学院聚集 Python + AI 名师，打造精品的 Python + AI 技术课程。 在各大平台都长期有优质免费公开课，欢迎报名收看。 公开课地址： ke.qq.com/course/3627…

加入python学习讨论群 78486745 ，获取资料，和广大群友一块儿学习。

圆方圆python技术讨论群