代理ip知识与免费资源
代理ip文章推荐
首页>代理ip知识与免费资源>正文
如何解决爬虫出现403问题？
发布日期：2019/5/8 8:41:24    阅读量：9595

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。这篇文章主要介绍了Angular2进阶之如何解决爬虫出现403问题的办法,感觉觉得挺不错的，现在分享给大家，也给大家做个参考。下面开心代理过来看看吧

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=http://blog.csdn.net/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：

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

然后html=urllib2.urlopen(req)
print html.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：

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://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): 

    '''''

    @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","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。