如果 URL 存在，则检查 Python

Question

关于这个主题有很多关于 SO 的问题，但没有一个能回答以下问题。使用 Python 请求检查普通 URL 可以很容易地完成，如下所示：

print requests.head('https://www.facebook.com/pixabay').status_code

状态代码 200 表示页面存在。在这种特殊情况下，它是 Facebook 上的一个粉丝页面。

使用 Facebook 上的普通用户个人资料尝试此操作也可以：

print requests.head('https://www.facebook.com/steinberger.simon').status_code

但是，尽管普通浏览器返回 200，但仍有（看似随机的）用户配置文件导致 404 状态代码：

print requests.head('https://www.facebook.com/drcarl').status_code

使用带有 User-Agent 字符串的自定义标头或使用其他方法检查 URL 都会以同样的方式失败：

import requests, urllib, urllib2

url = 'https://www.facebook.com/drcarl'

print requests.head(url).status_code

# using an User-Agent string
headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/32.0.1700.107 Safari/537.36' }
print requests.head(url, headers=headers).status_code

# using GET instead if HEAD as request method
print requests.get(url, stream=True).status_code

# using urllib
print urllib.urlopen(url).getcode()

# using urllib2
try:
    r = urllib2.urlopen(url)
    print r.getcode()
except urllib2.HTTPError as e:
    print e.code

还有其他一些 URL 示例，使用上述方法莫名其妙地失败了。其中之一是：http : //www.rajivbajaj.net/ 它在所有浏览器中与 200 状态代码完美配合，但对于上述所有 Python 方法会导致 403。

我正在尝试编写一个可靠的 URL 验证器，但我不明白为什么这些 URL 未通过这些测试。有任何想法吗？

Answer 1

我认为浏览器和python编写的代码的区别在于底层的HTTP请求。python 代码应该无法工作，因为构造的 HTTP 请求与浏览器生成的请求不完全相同。

添加客户标题（使用您提供的标题）

print requests.get(url, headers=headers).status_code

它适用于我的本地网址http://www.rajivbajaj.net/，以获得 200。

在这个例子中，我猜网站对某些用户代理做了一些特别的事情。