python爬蟲解決403禁止訪問錯誤__python

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的模組urllib2模組

urllib2模組是屬於一個進階的爬蟲抓模數塊，有非常多的方法

比方說串連url=http://blog.csdn.net/qysh123

對於這個串連就有可能出現403禁止訪問的問題

解決這個問題，需要以下幾步驟：

<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，通過瀏覽器查看原始碼就可以查看到

然後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。

對於以上問題，可以封裝成函數，供以後調用方便使用，具體代碼：

#-*-coding:utf-8-*-import urllib2import randomurl="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):'''@擷取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","http://blog.csdn.net/")req.add_header("GET",url)content=urllib2.urlopen(req).read()return contentprint get_content(url,my_headers)

其中用到了random隨機函數，自動擷取已經寫好的瀏覽器類型的User-Agent資訊，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