好多网站对于爬虫没有进行浏览器伪装的会进行反爬

糗事百科网站为例

下面提供了三种方法添加headers,使爬虫能够伪装成浏览器访问

备注:

方法二和方法三中省略了

import urllib.request
url = 'http://www.qiushibaike.com/'

 

方法一:通过opener添加header

 1 # 方法一:通过opener添加headers
 2 import urllib.request
 3 url = 'http://www.qiushibaike.com/'
 4 
 5 # 头文件格式header=('User-Agent',具体用户代理值) 元组形式,元组内包含(key,value)
 6 headers=('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0')
 7 # 创建opener对象
 8 opener = urllib.request.build_opener()
 9 opener.addheaders = [headers]
10 # (1)直接使用opener进行爬虫
11 data = opener.open(url).read()
12 # print(data)
13 print(len(data))
14 # (2)将opener安装为全局,全局生效后,再使用urlopen
15 urllib.request.install_opener(opener) 
16 data = urllib.request.urlopen(url).read()
17 print(len(data))


 

方法二:通过opener批量添加header

 1 # 方法二:批量添加headers 有时候只添加user-agent这一个header不行,需要多添加几个header
 2 headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0","Content-Type":"application/javascript",
 3 }
 4 #创建opener对象
 5 opener = urllib.request.build_opener()
 6 opener.addheaders = headers.items()  #header.items() 字典(Dictionary).items() 函数以列表返回可遍历的(键, 值) 元组数组。正好符合addheaders属性要求的值的类型。[(key1,value1),(key2,value2),(key3,value3)]
 7 # (1)直接使用opener进行爬虫
 8 data = opener.open(url).read()
 9 # print(data)
10 print(len(data))
11 # (2)将opener安装为全局,全局生效后,再使用urlopen
12 urllib.request.install_opener(opener) 
13 data = urllib.request.urlopen(url).read()
14 print(len(data))

 

方法三:通过Request添加header

1 # 方法三:通过Request添加headers
2 req = urllib.request.Request(url)
3 req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36 SE 2.X MetaSr 1.0')
4 req_data = urllib.request.urlopen(req).read()
5 print(len(req_data))

 方法四:通过第三方库requests添加headers

 1 # 方法四:通过requests第三方库,添加headers
 2 import requests
 3 
 4 
 5 hd={'User-Agent':'Mozilla/5.0'}
 6 def get_html_text(url):
 7     try:
 8         r = requests.get(url, timeout=10, headers = hd)
 9         r.raise_for_status()
10         r.encoding = r.apparent_encoding
11         html = r.text
12         return html
13     except Exception as result:
14         print('错误类型:', result)
15 
16 
17 html = get_html_text(url)
18 print(len(html))