解决爬虫出现403问题的办法

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：

<span style="font-size:18px;">req = urllib2.Request(url) 
req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.3; WOW) 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)

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. #-*-coding:utf-8-*- 
    
   import urllib2 
   import random 
    
   url="http://blog.csdn.net/qysh123/article/details/445943" 
    
   my_headers=["Mozilla/5.0 (Windows NT 6.3; WOW) 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; WOW; 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; Win; x; 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。

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

相关推荐：