python中使用urllib2伪造HTTP报头的2个方法

2014年8月14日 发表评论 阅读评论

很多网站反感爬虫的到访,于是对爬虫一律拒绝。在采集网页信息的时候,经常需要伪造报头来实现采集脚本的有效执行,这需修改http包中的header、User-Agent、Accept、Connection、Referer(对付反盗链必备)等伪造更多信息。例如使用nginx,经常会通过读取header中的X-Forwarded-For来看看人家的真实IP,也可以可以直接把X-Forwarde-For改了。

本篇主要介绍了python中使用urllib2伪造HTTP报头的2个方法,即伪造http头信息,即将使用urllib2的header部分伪造报头来实现采集信息。

方法1

#!/usr/bin/python
# -*- coding: utf-8 -*-
#encoding=utf-8
#code by 运维之路(www.361way.com)
#Filename:urllib2-header.py
import urllib2
import sys
#抓取网页内容-发送报头-1
url= "http://www.361way.com"
send_headers = {
 'Host':'www.361way.com',
 'User-Agent':'Mozilla/5.0 (Windows NT 6.2; rv:16.0) Gecko/20100101 Firefox/16.0',
 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
 'Connection':'keep-alive'
}
req = urllib2.Request(url,headers=send_headers)
r = urllib2.urlopen(req)
html = r.read()        #返回网页内容
receive_header = r.info()     #返回的报头信息
# sys.getfilesystemencoding()
html = html.decode('utf-8','replace').encode(sys.getfilesystemencoding()) #转码:避免输出出现乱码
print receive_header
# print '####################################'
print html

方法2

#!/usr/bin/python
# -*- coding: utf-8 -*-
#encoding=utf-8
#by运维之路(www.361way.com)
#Filename:urllib2-header.py
import urllib2
import sys
url = 'http://www.361way.com'
req = urllib2.Request(url)
req.add_header('Referer','http://www.361way.com/')
req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.2; rv:16.0) Gecko/20100101 Firefox/16.0')
r = urllib2.urlopen(req)
html = r.read()
receive_header = r.info()
html = html.decode('utf-8').encode(sys.getfilesystemencoding())
print receive_header
print '#####################################'
print html

方法一是通过dict 字典的方式一次性写入多条配置;方法二是通过元组(tuple)的方式逐条增加。




本站的发展离不开您的资助,金额随意,欢迎来赏!

You can donate through PayPal.
My paypal id: itybku@139.com
Paypal page: https://www.paypal.me/361way

  1. 本文目前尚无任何评论.
  1. 本文目前尚无任何 trackbacks 和 pingbacks.