Modification de l'agent utilisateur sur urllib2.urlopen

Comment puis-je télécharger une page Web avec un agent utilisateur autre que celui par défaut sur urllib2.urlopen?

Configuration de l'agent utilisateur à partir de la plongée préférée de tout le monde dans Python .

La petite histoire: vous pouvez utiliser Request.add_header pour ce faire.

Vous pouvez également transmettre les en-têtes en tant que dictionnaire lors de la création de la requête elle-même, comme le note la documentation :

les en-têtes doivent être un dictionnaire et seront traités comme s'ils add_header()étaient appelés avec chaque clé et valeur comme arguments. Ceci est souvent utilisé pour «usurper» l'en- User-Agenttête, qui est utilisé par un navigateur pour s'identifier - certains serveurs HTTP n'autorisent que les requêtes provenant de navigateurs courants par opposition aux scripts. Par exemple, Mozilla Firefox peut s'identifier comme "Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11", tandis que urllib2la chaîne par défaut de l'agent utilisateur est "Python-urllib/2.6"(sur Python 2.6).

J'ai répondu à une question similaire il y a quelques semaines.

Il y a un exemple de code dans cette question, mais en gros, vous pouvez faire quelque chose comme ceci: (Notez la mise en majuscule User-Agentde la RFC 2616 , section 14.43.)

opener = urllib2.build_opener()
opener.addheaders = [('User-Agent', 'Mozilla/5.0')]
response = opener.open('http://www.stackoverflow.com')

headers = { 'User-Agent' : 'Mozilla/5.0' }
req = urllib2.Request('www.example.com', None, headers)
html = urllib2.urlopen(req).read()

Ou, un peu plus court:

req = urllib2.Request('www.example.com', headers={ 'User-Agent': 'Mozilla/5.0' })
html = urllib2.urlopen(req).read()

Pour python 3, urllib est divisé en 3 modules ...

import urllib.request
req = urllib.request.Request(url="http://localhost/", headers={'User-Agent':' Mozilla/5.0 (Windows NT 6.1; WOW64; rv:12.0) Gecko/20100101 Firefox/12.0'})
handler = urllib.request.urlopen(req)

Tout cela devrait fonctionner en théorie, mais (avec Python 2.7.2 sous Windows au moins) chaque fois que vous envoyez un en-tête User-agent personnalisé, urllib2 n'envoie pas cet en-tête. Si vous n'essayez pas d'envoyer un en-tête User-agent, il envoie le Python / urllib2 par défaut

Aucune de ces méthodes ne semble fonctionner pour l'ajout de User-agent, mais elles fonctionnent pour d'autres en-têtes:

opener = urllib2.build_opener(proxy)
opener.addheaders = {'User-agent':'Custom user agent'}
urllib2.install_opener(opener)

request = urllib2.Request(url, headers={'User-agent':'Custom user agent'})

request.headers['User-agent'] = 'Custom user agent'

request.add_header('User-agent', 'Custom user agent')

Pour urllibvous pouvez utiliser:

from urllib import FancyURLopener

class MyOpener(FancyURLopener, object):
    version = 'Mozilla/5.0 (Windows; U; Windows NT 5.1; it; rv:1.8.1.11) Gecko/20071127 Firefox/2.0.0.11'

myopener = MyOpener()
myopener.retrieve('https://www.google.com/search?q=test', 'useragent.html')

Une autre solution dans urllib2et Python 2.7:

req = urllib2.Request('http://www.example.com/')
req.add_unredirected_header('User-Agent', 'Custom User-Agent')
urllib2.urlopen(req)

Essaye ça :

html_source_code = requests.get("http://www.example.com/",
                   headers={'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.107 Safari/537.36',
                            'Upgrade-Insecure-Requests': '1',
                            'x-runtime': '148ms'}, 
                   allow_redirects=True).content

il existe deux propriétés de à urllib.URLopener()savoir:
addheaders = [('User-Agent', 'Python-urllib/1.17'), ('Accept', '*/*')]et
version = 'Python-urllib/1.17'.
Pour tromper le site Web, vous devez modifier ces deux valeurs en un agent utilisateur accepté. par exemple pour le
navigateur Chrome: 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.149 Safari/537.36'
Google bot: 'Googlebot/2.1'
comme ça

import urllib
page_extractor=urllib.URLopener()  
page_extractor.addheaders = [('User-Agent', 'Googlebot/2.1'), ('Accept', '*/*')]  
page_extractor.version = 'Googlebot/2.1'
page_extractor.retrieve(<url>, <file_path>)

la modification d'une seule propriété ne fonctionne pas car le site Web la marque comme une demande suspecte.