python 爬蟲解決403禁止訪問錯誤
在Python寫爬蟲的時候，html.getcode()會遇到403禁止訪問的問題，這是網站對自動化爬蟲的禁止，要解決這個問題，需要用到python的模塊urllib2模塊
urllib2模塊是屬于一個進階的爬蟲抓取模塊，有非常多的方法，比方說連接url=//www.jfrwli.cn/yuanma/對于這個連接就有可能出現403禁止訪問的問題
解決這個問題，需要以下幾步驟：
|
1
2
3
4
5
|
<span style="font-size:18px;">req = urllib2.Request(url) req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36") req.add_header("GET",url) req.add_header("Host","blog.csdn.net") req.add_header("Referer","//www.jfrwli.cn/") |
其中User-Agent是瀏覽器特有的屬性，通過瀏覽器查看源代碼就可以查看到
然后
|
1
2
3
4
|
html=urllib2.urlopen(req)print html.read() |
就可以把網頁代碼全部下載下來，而沒有了403禁止訪問的問題。
對于以上問題，可以封裝成函數，供以后調用方便使用，具體代碼：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
#-*-coding:utf-8-*- import urllib2 import random url="http://www.jfrwli.cn/article/42606.html" my_headers=["Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.153 Safari/537.36", "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:30.0) Gecko/20100101 Firefox/30.0""Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_2) AppleWebKit/537.75.14 (KHTML, like Gecko) Version/7.0.3 Safari/537.75.14", "Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; Win64; x64; Trident/6.0)" ] def get_content(url,headers): ''''' @獲取403禁止訪問的網頁 ''' randdom_header=random.choice(headers) req=urllib2.Request(url) req.add_header("User-Agent",randdom_header) req.add_header("Host","blog.csdn.net") req.add_header("Referer","//www.jfrwli.cn/") req.add_header("GET",url) content=urllib2.urlopen(req).read() return content print get_content(url,my_headers) |
其中用到了random隨機函數，自動獲取已經寫好的瀏覽器類型的User-Agent信息，在自定義函數中需要寫出自己的Host,Referer,GET信息等，解決這幾個問題，就可以順利訪問了，不再出現403訪問的信息。
當然如果訪問頻率過快的話，有些網站還是會過濾的，解決這個需要用到代理IP的方法。。。具體的自己解決
感謝閱讀，希望能幫助到大家，謝謝大家對本站的支持！
原文鏈接：http://blog.csdn.net/jsqfengbao/article/details/44594985
