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。一起跟隨小編過來看看吧。
要解決這個問題,需要用到python的模塊urllib2模塊,urllib2模塊是屬於一個進階的爬蟲抓取模塊,有非常多的方法,比方說連接url=https://www.xuebuyuan.com/。對於這個連接就有可能出現403禁止訪問的問題。
解決爬蟲出現403問題的辦法,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",www.xuebuyuan.com)
req.add_header("Referer",https://www.xuebuyuan.com/)< /span>
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 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):
'''''
@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","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。
以上就是本次給大家分享的關於java的全部知識點內容總結,大家還可以在下方相關文章里找到相關文章進一步學習,感謝大家的閱讀和支持。