Python3网络爬虫(四)：使用User Agent和代理IP隐藏身份

左手的ㄟ右手 2024-04-19 11:50 123阅读 0赞

**运行平台：Windows**  
**Python版本：Python3.x**  
**IDE：Sublime text3**

**转载请注明作者和出处：**[http://blog.csdn.net/c406495762/article/details/60137956][http_blog.csdn.net_c406495762_article_details_60137956]

**一、为何要设置User Agent**

有一些网站不喜欢被爬虫程序访问，所以会检测连接对象，如果是爬虫程序，也就是非人点击访问，它就会不让你继续访问，所以为了要让程序可以正常运行，需要隐藏自己的爬虫程序的身份。此时，我们就可以通过设置User Agent的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，程序将使用默认的参数，那么这个User Agent就会有Python的字样，如果服务器检查User Agent，那么没有设置User Agent的Python程序将无法正常访问网站。

Python允许我们修改这个User Agent来模拟浏览器访问，它的强大毋庸置疑。

**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

上面列举了Andriod、Firefox、Google Chrome、iOS的一些User Agent，直接copy就能用。

**三、设置User Agent的方法**

先看下urllib.request.Request()

> ![1][]

从上图可以看出，在创建Request对象的时候，可以传入headers参数。  
    因此，想要设置User Agent，有两种方法：

1.在创建Request对象的时候，填入headers参数(包含User Agent信息)，这个Headers参数要求为字典；

2.在创建Request对象的时候不添加headers参数，在创建完成之后，使用add\_header()的方法，添加headers。

**方法一：**

创建文件urllib\_test09.py，使用上面提到的Android的第一个User Agent，在创建Request对象的时候传入headers参数，编写代码如下：

# -*- coding: UTF-8 -*-
    from urllib import request
    
    if __name__ == "__main__":
        #以CSDN为例，CSDN不更改User Agent是无法访问的
        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)
     
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17

运行结果如下：

> ![2][]

**方法二：**

创建文件urllib\_test10.py，使用上面提到的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，编写代码如下：

# -*- coding: UTF-8 -*-
    from urllib import request
    
    if __name__ == "__main__":
        #以CSDN为例，CSDN不更改User Agent是无法访问的
        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')
        #打印信息
        print(html)
     
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16

运行结果和上一个方法是一样的。

**四、IP代理的使用**

**1.为何使用IP代理**

User Agent已经设置好了，但是还应该考虑一个问题，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ms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访问频率超过这个阈值，说明这个不是人在访问，而是一个爬虫程序。

**2.一般步骤说明**

一个很简单的解决办法就是设置延时，但是这显然不符合爬虫快速爬取信息的目的，所以另一种更好的方法就是使用IP代理。使用代理的步骤：

**(1)**调用urlib.request.ProxyHandler()，proxies参数为一个字典。

> ![4][]

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

> ![5][]

**(3)**安装Opener

> ![引用块内容][SouthEast]

使用install\_opener方法之后，会将程序默认的urlopen方法替换掉。也就是说，如果使用install\_opener之后，在该文件中，再次调用urlopen会使用自己创建好的opener。如果不想替换掉，只是想临时使用一下，可以使用opener.open(url)，这样就不会对程序默认的urlopen有影响。

**3.代理IP选取**

在写代码之前，先在代理IP网站选好一个IP地址，推荐西刺代理IP。

URL：[http://www.xicidaili.com/][http_www.xicidaili.com]

注意：当然也可以写个正则表达式从网站直接爬取IP，但是要记住不要太频繁爬取，加个延时什么的，太频繁给服务器带来压力了，服务器会直接把你block，不让你访问的，我就被封了两天。

从西刺网站选出信号好的IP，我的选择如下：(106.46.136.112:808)

> ![6][]

编写代码访问[http://www.whatismyip.com.tw/][http_www.whatismyip.com.tw]，该网站是测试自己IP为多少的网址，服务器会返回访问者的IP。

**4.代码实例**

创建文件urllib\_test11.py，编写代码如下：

# -*- coding: UTF-8 -*-
    from urllib import request
    
    if __name__ == "__main__":
        #访问网址
        url = 'http://www.whatismyip.com.tw/'
        #这是代理IP
        proxy = {
       'http':'106.46.136.112:808'}
        #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 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36')]
        #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)
     
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22

运行结果如下：

> ![7][]

从上图可以看出，访问的IP已经伪装成了106.46.136.112。

[http_blog.csdn.net_c406495762_article_details_60137956]: http://blog.csdn.net/c406495762/article/details/60137956
[1]: https://img-blog.csdn.net/20170303123244632?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvYzQwNjQ5NTc2Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast
[2]: https://img-blog.csdn.net/20170303123738649?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvYzQwNjQ5NTc2Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast
[4]: https://img-blog.csdn.net/20170303124421012?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvYzQwNjQ5NTc2Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast
[5]: https://img-blog.csdn.net/20170303124447169?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvYzQwNjQ5NTc2Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast
[SouthEast]: https://img-blog.csdn.net/20170303124507044?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvYzQwNjQ5NTc2Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast
[http_www.xicidaili.com]: http://www.xicidaili.com/
[6]: https://img-blog.csdn.net/20170303124651091?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvYzQwNjQ5NTc2Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast
[http_www.whatismyip.com.tw]: http://www.whatismyip.com.tw/
[7]: https://img-blog.csdn.net/20170303124823038?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvYzQwNjQ5NTc2Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast