python 爬虫出现403禁止访问错误详解
python爬虫解决403禁止访问错误
在Python写爬虫的时候,html.getcode()会遇到403禁止访问的问题,这是网站对自动化爬虫的禁止,要解决这个问题,需要用到python的模块urllib2模块
urllib2模块是属于一个进阶的爬虫抓取模块,有非常多的方法,比方说连接url=//www.nhooo.com/qysh123对于这个连接就有可能出现403禁止访问的问题
解决这个问题,需要以下几步骤:
req=urllib2.Request(url) req.add_header("User-Agent","Mozilla/5.0(WindowsNT6.3;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/39.0.2171.95Safari/537.36") req.add_header("GET",url) req.add_header("Host","blog.csdn.net") req.add_header("Referer","//www.nhooo.com/")
其中User-Agent是浏览器特有的属性,通过浏览器查看源代码就可以查看到
然后
html=urllib2.urlopen(req) printhtml.read()
就可以把网页代码全部下载下来,而没有了403禁止访问的问题。
对于以上问题,可以封装成函数,供以后调用方便使用,具体代码:
#-*-coding:utf-8-*- importurllib2 importrandom url="//www.nhooo.com/article/1.htm" my_headers=["Mozilla/5.0(WindowsNT6.3;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/39.0.2171.95Safari/537.36", "Mozilla/5.0(Macintosh;IntelMacOSX10_9_2)AppleWebKit/537.36(KHTML,likeGecko)Chrome/35.0.1916.153Safari/537.36", "Mozilla/5.0(WindowsNT6.1;WOW64;rv:30.0)Gecko/20100101Firefox/30.0" "Mozilla/5.0(Macintosh;IntelMacOSX10_9_2)AppleWebKit/537.75.14(KHTML,likeGecko)Version/7.0.3Safari/537.75.14", "Mozilla/5.0(compatible;MSIE10.0;WindowsNT6.2;Win64;x64;Trident/6.0)" ] defget_content(url,headers): ''''' @获取403禁止访问的网页 ''' 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.nhooo.com/") req.add_header("GET",url) content=urllib2.urlopen(req).read() returncontent printget_content(url,my_headers)
其中用到了random随机函数,自动获取已经写好的浏览器类型的User-Agent信息,在自定义函数中需要写出自己的Host,Referer,GET信息等,解决这几个问题,就可以顺利访问了,不再出现403访问的信息。
当然如果访问频率过快的话,有些网站还是会过滤的,解决这个需要用到代理IP的方法。。。具体的自己解决
感谢阅读,希望能帮助到大家,谢谢大家对本站的支持!