一、為何要設置User Agent

有一些網站不喜歡被爬蟲程序訪問，所以會檢測連接對象，如果是爬蟲程序，也就是非人點擊訪問，它就會不讓你繼續訪問，所以為了要讓程序可以正常運行，需要隱藏自己的爬蟲程序的身份。此時，我們就可以通過設置User Agent的來達到隱藏身份的目的，User Agent的中文名為用戶代理，簡稱UA。

User Agent存放於Headers中，服務器就是通過查看Headers中的User Agent來判斷是誰在訪問。在Python中，如果不設置User Agent，程序將使用默認的參數，那麽這個User Agent就會有Python的字樣，如果服務器檢查User Agent，那麽沒有設置User Agent的Python程序將無法正常訪問網站。

Python允許我們修改這個User Agent來模擬瀏覽器訪問，它的強大毋庸置疑。

二、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。

三、設置User Agent的方法

先看下urllib.request.Request()

從上圖可以看出，在創建Request對象的時候，可以傳入headers參數。
因此，想要設置User Agent，有兩種方法：

1.在創建Request對象的時候，填入headers參數(包含User Agent信息)，這個Headers參數要求為字典；

2.在創建Request對象的時候不添加headers參數，在創建完成之後，使用add_header()的方法，添加headers。

方法一：

創建文件urllib_test09.py，使用上面提到的Android的第一個User Agent，在創建Request對象的時候傳入headers參數，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‘
 #創建Request對象
    req = request.Request(url, headers=head)
    #傳入創建好的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)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17

運行結果如下：

方法二：

創建文件urllib_test10.py，使用上面提到的Android的第一個User Agent，在創建Request對象時不傳入headers參數，創建之後使用add_header()方法，添加headers，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是無法訪問的
    url = ‘http://www.csdn.net/‘
    #創建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‘)
    #傳入創建好的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)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

運行結果和上一個方法是一樣的。

四、IP代理的使用

1.為何使用IP代理

User Agent已經設置好了，但是還應該考慮一個問題，程序的運行速度是很快的，如果我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，這不符合人為操作的標準，因為人操作不可能在幾ms內，進行如此頻繁的訪問。所以一些網站會設置一個IP訪問頻率的閾值，如果一個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。

2.一般步驟說明

一個很簡單的解決辦法就是設置延時，但是這顯然不符合爬蟲快速爬取信息的目的，所以另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參數為一個字典。

(2)創建Opener(類似於urlopen，這個代開方式是我們自己定制的)

(3)安裝Opener

使用install_opener方法之後，會將程序默認的urlopen方法替換掉。也就是說，如果使用install_opener之後，在該文件中，再次調用urlopen會使用自己創建好的opener。如果不想替換掉，只是想臨時使用一下，可以使用opener.open(url)，這樣就不會對程序默認的urlopen有影響。

3.代理IP選取

在寫代碼之前，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/

註意：當然也可以寫個正則表達式從網站直接爬取IP，但是要記住不要太頻繁爬取，加個延時什麽的，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，我的選擇如下：(106.46.136.112:808)

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

4.代碼實例

創建文件urllib_test11.py，編寫代碼如下：

# -*- 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‘}
    #創建ProxyHandler
    proxy_support = request.ProxyHandler(proxy)
    #創建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)
    #讀取相應信息並解碼
    html = response.read().decode("utf-8")
    #打印信息
    print(html)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22

運行結果如下：

從上圖可以看出，訪問的IP已經偽裝成了106.46.136.112。

Python3網絡爬蟲(四)：使用User Agent和代理IP隱藏身份