Python3網絡爬蟲(四):使用User Agent和代理IP隱藏身份
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