一咱旱、為何要設(shè)置User Agent
有一些網(wǎng)站不喜歡被爬蟲程序訪問(wèn)优床，所以會(huì)檢測(cè)連接對(duì)象，如果是爬蟲程序凭豪，也就是非人點(diǎn)擊訪問(wèn)琅翻，它就會(huì)不讓你繼續(xù)訪問(wèn)位仁，所以為了要讓程序可以正常運(yùn)行，需要隱藏自己的爬蟲程序的身份方椎。此時(shí)聂抢，我們就可以通過(guò)設(shè)置User Agent的來(lái)達(dá)到隱藏身份的目的，User Agent的中文名為用戶代理棠众，簡(jiǎn)稱UA琳疏。
User Agent存放于Headers中，服務(wù)器就是通過(guò)查看Headers中的User Agent來(lái)判斷是誰(shuí)在訪問(wèn)闸拿。在Python中空盼，如果不設(shè)置User Agent，程序?qū)⑹褂媚J(rèn)的參數(shù)新荤，那么這個(gè)User Agent就會(huì)有Python的字樣揽趾，如果服務(wù)器檢查User Agent，那么沒(méi)有設(shè)置User Agent的Python程序?qū)o(wú)法正常訪問(wèn)網(wǎng)站苛骨。
Python允許我們修改這個(gè)User Agent來(lái)模擬瀏覽器訪問(wèn)篱瞎，它的強(qiáng)大毋庸置疑苟呐。
二、常見(jiàn)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俐筋、Firefox掠抬、Google Chrome、iOS的一些User Agent校哎，直接copy就能用两波。
三、設(shè)置User Agent的方法
歡迎加入我的QQ群`923414804`與我一起學(xué)習(xí)闷哆，群里有我學(xué)習(xí)過(guò)程中整理的大量資料腰奋。
先看下urllib.request.Request()
從上圖可以看出，在創(chuàng)建Request對(duì)象的時(shí)候抱怔，可以傳入headers參數(shù)劣坊。
因此，想要設(shè)置User Agent屈留，有兩種方法：
1.在創(chuàng)建Request對(duì)象的時(shí)候局冰，填入headers參數(shù)(包含User Agent信息)，這個(gè)Headers參數(shù)要求為字典灌危；
2.在創(chuàng)建Request對(duì)象的時(shí)候不添加headers參數(shù)康二，在創(chuàng)建完成之后，使用add_header()的方法勇蝙，添加headers沫勿。
方法一：
創(chuàng)建文件urllib_test09.py，使用上面提到的Android的第一個(gè)User Agent味混，在創(chuàng)建Request對(duì)象的時(shí)候傳入headers參數(shù)产雹，編寫代碼如下：
# -*- coding: UTF-8 -*-
from urllib import request
if __name__ == "__main__":
#以CSDN為例，CSDN不更改User Agent是無(wú)法訪問(wèn)的
url = 'http://www.csdn.net/'
head = {}
#寫入U(xiǎn)ser 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'
#創(chuàng)建Request對(duì)象
req = request.Request(url, headers=head)
#傳入創(chuàng)建好的Request對(duì)象
response = request.urlopen(req)
#讀取響應(yīng)信息并解碼
html = response.read().decode('utf-8')
#打印信息
print(html)
運(yùn)行結(jié)果如下：
方法二：
創(chuàng)建文件urllib_test10.py翁锡，使用上面提到的Android的第一個(gè)User Agent蔓挖，在創(chuàng)建Request對(duì)象時(shí)不傳入headers參數(shù)，創(chuàng)建之后使用add_header()方法馆衔，添加headers瘟判，編寫代碼如下：
# -*- coding: UTF-8 -*-
from urllib import request
if __name__ == "__main__":
#以CSDN為例，CSDN不更改User Agent是無(wú)法訪問(wèn)的
url = 'http://www.csdn.net/'
#創(chuàng)建Request對(duì)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')
#傳入創(chuàng)建好的Request對(duì)象
response = request.urlopen(req)
#讀取響應(yīng)信息并解碼
html = response.read().decode('utf-8')
#打印信息
print(html)
運(yùn)行結(jié)果和上一個(gè)方法是一樣的哈踱。
四荒适、IP代理的使用
1.為何使用IP代理
User Agent已經(jīng)設(shè)置好了梨熙，但是還應(yīng)該考慮一個(gè)問(wèn)題开镣，程序的運(yùn)行速度是很快的，如果我們利用一個(gè)爬蟲程序在網(wǎng)站爬取東西咽扇，一個(gè)固定IP的訪問(wèn)頻率就會(huì)很高邪财，這不符合人為操作的標(biāo)準(zhǔn)陕壹，因?yàn)槿瞬僮鞑豢赡茉趲譵s內(nèi)，進(jìn)行如此頻繁的訪問(wèn)树埠。所以一些網(wǎng)站會(huì)設(shè)置一個(gè)IP訪問(wèn)頻率的閾值糠馆，如果一個(gè)IP訪問(wèn)頻率超過(guò)這個(gè)閾值，說(shuō)明這個(gè)不是人在訪問(wèn)怎憋，而是一個(gè)爬蟲程序又碌。
2.一般步驟說(shuō)明
一個(gè)很簡(jiǎn)單的解決辦法就是設(shè)置延時(shí)，但是這顯然不符合爬蟲快速爬取信息的目的绊袋，所以另一種更好的方法就是使用IP代理毕匀。使用代理的步驟：
(1)調(diào)用urlib.request.ProxyHandler()，proxies參數(shù)為一個(gè)字典癌别。
(2)創(chuàng)建Opener(類似于urlopen皂岔，這個(gè)代開(kāi)方式是我們自己定制的)
(3)安裝Opener
使用install_opener方法之后，會(huì)將程序默認(rèn)的urlopen方法替換掉展姐。也就是說(shuō)躁垛，如果使用install_opener之后，在該文件中圾笨，再次調(diào)用urlopen會(huì)使用自己創(chuàng)建好的opener教馆。如果不想替換掉，只是想臨時(shí)使用一下擂达，可以使用opener.open(url)活玲，這樣就不會(huì)對(duì)程序默認(rèn)的urlopen有影響。
3.代理IP選取
在寫代碼之前谍婉，先在代理IP網(wǎng)站選好一個(gè)IP地址舒憾，推薦西刺代理IP。
注意：當(dāng)然也可以寫個(gè)正則表達(dá)式從網(wǎng)站直接爬取IP穗熬，但是要記住不要太頻繁爬取镀迂，加個(gè)延時(shí)什么的，太頻繁給服務(wù)器帶來(lái)壓力了唤蔗，服務(wù)器會(huì)直接把你block探遵，不讓你訪問(wèn)的，我就被封了兩天妓柜。
從西刺網(wǎng)站選出信號(hào)好的IP箱季，我的選擇如下：(106.46.136.112:808)
編寫代碼訪問(wèn)http://www.whatismyip.com.tw/，該網(wǎng)站是測(cè)試自己IP為多少的網(wǎng)址棍掐，服務(wù)器會(huì)返回訪問(wèn)者的IP藏雏。
4.代碼實(shí)例
創(chuàng)建文件urllib_test11.py，編寫代碼如下：
# -*- coding: UTF-8 -*-
from urllib import request
if __name__ == "__main__":
#訪問(wèn)網(wǎng)址
url = 'http://www.whatismyip.com.tw/'
#這是代理IP
proxy = {'http':'106.46.136.112:808'}
#創(chuàng)建ProxyHandler
proxy_support = request.ProxyHandler(proxy)
#創(chuàng)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')]
#安裝OPener
request.install_opener(opener)
#使用自己安裝好的Opener
response = request.urlopen(url)
#讀取相應(yīng)信息并解碼
html = response.read().decode("utf-8")
#打印信息
print(html)
運(yùn)行結(jié)果如下：
從上圖可以看出作煌，訪問(wèn)的IP已經(jīng)偽裝成了106.46.136.112掘殴。
