首頁 > 文章 > 後端開發 > 解決爬蟲出現403問題的辦法

解決爬蟲出現403問題的辦法

零到壹度原創: 2018-04-03 11:25:247259瀏覽

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。這篇文章主要介紹了Angular2進階之如何解決爬蟲出現403問題的辦法,小編覺得挺不錯的，現在分享給大家，也給大家做個參考。一起跟著小編過來看看吧

要解決這個問題，需要用到python的模組urllib2模組

urllib2模組是屬於一個進階的爬蟲抓取模組，有非常多的方法

比方說連接url=http://blog.csdn.net/qysh123

對於這個連線就有可能出現403禁止存取的問題

解決這個問題，需要以下幾個步驟：

<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","http://blog.csdn.net/")</span>

其中User-Agent是瀏覽器特有的屬性，透過瀏覽器查看原始程式碼就可以查看到

然後html=urllib2.urlopen (req)

print html.read()

就可以把網頁程式碼全部下載下來，而沒有了403禁止存取的問題。

對於上述問題，可以封裝成函數，以供以後呼叫方便使用，具體程式碼：

#-*-coding:utf-8-*-  
  
import urllib2  
import random  
  
url="http://blog.csdn.net/qysh123/article/details/44564943"  
  
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):  
    &#39;&#39;&#39;&#39;&#39; 
    @获取403禁止访问的网页 
    &#39;&#39;&#39;  
    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","http://blog.csdn.net/")  
    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，自動取得已經寫好的瀏覽器類型的User-Agent信息，在自訂函數中需要寫出自己的Host,Referer,GET資訊等，解決這幾個問題，就可以順利訪問了，不再出現403訪問的資訊。

當然如果訪問頻率太快的話，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

解決爬蟲出現403問題的辦法

相關文章