Python3网络爬虫（3）：使用User Agent和代理IP隐藏身份

Python版本：　python3

IDE:　　　　　 pycharm2017.3.3

一、为何要设置User Agent

　　有一些网站不喜欢被爬虫访问，所以会检测对象，如果是爬虫程序，他就会不让你访问，通过设置User Agent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，服务器就是通过查看Headers中的User Agent来判断是谁在访问。在python中如果不设置User Agent，程序将会私用默认的参数，那么这个User Agent就会有Python字样，防爬网站就会不让你访问

　　Python允许我们修改这个User Agent来模拟浏览器访问

二、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

 这些User Agent，直接copy就能用

三、设置User Agent的方法

　　方法一：

　　　　使用上面Android的第一个User Agent，创建request对象的时候传入headers参数，代码如下

from urllib import request


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'
#创建Request对象
req = request.Request(url, headers=head)
#传入创建好的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)

 结果如下

方法二：

　　使用上面Android的第一个User Agent，在创建Request对象时不传入headers参数，创建之后使用add_header()方法，添加headers，代码如下

 

from urllib import request
url = 'http://www.csdn.net/'
#创建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')
#传入创建好的Request对象
response = request.urlopen(req)
#读取响应信息并解码
html = response.read().decode('utf-8')
print(html)

 

 

 

运行结果与上一个相同

四、IP代理的使用（实测并不好使）

　　1.为何使用IP代理

　　　　程序的运行速度是很快的，如果我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，这不符合人为操作的标准，因为人操作不可能在几毫秒内，进行如此频繁的访问。所以一些网站会设置一个IP访问频率的阈值，如果一个IP访问超过这个阈值，说明这个不是人在访问，而是一个爬虫程序

　　2.步骤

　　　　（1）调用urllib.request.ProxyHandler(),proxies参数为一个字典

　　　　（2）创建Opener（类似于urlopen，这个代开方式使我们自己定制的）

　　　　（3）安装Opener

　　3.代理IP选取

　　　　西刺代理IP从中选取一个　　111.155.116.249

　　4.代码如下

 

from urllib import request

if __name__ == "__main__":
    #访问网址
    url = 'http://www.whatismyip.com.tw/'
    #这是代理IP
    proxy = {'http': '60.184.175.145'}
    #创建ProxyHandler
    proxy_support = request.ProxyHandler(proxy)
    #创建Opener
    opener = request.build_opener(proxy_support)
    #添加User Angent
    opener.addheaders = [('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')]
    #安装OPener
    request.install_opener(opener)
    #使用自己安装好的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)