解决爬虫浏览器中General显示 Status Code:304 NOT MODIFIED，而在requests请求时出现403被拦截的情况。...

解决爬虫浏览器中General显示 Status Code:304 NOT MODIFIED，而在requests请求时出现403被拦截的情况。

在此，非常感谢 “完美风暴4” 的无私共享经验的精神

 

 在Python爬虫爬取网站时，莫名遇到 浏览器中General显示 

Status Code:

304 NOT MODIFIED

而在requests请求时出现403被拦截的情况。下面转自 “完美风暴4” 的博客解决办法。

 

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，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：

[python]  view plain  copy

1. <span style="font-size:18px;">req = urllib2.Request(url)  
2. 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")  
3. req.add_header("GET",url)  
4. req.add_header("Host","blog.csdn.net")  
5. req.add_header("Referer","http://blog.csdn.net/")</span>  
6. 
   

 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：

 pasting

1. #-*-coding:utf-8-*-  
2.   
3. import urllib2  
4. import random  
5.   
6. url="http://blog.csdn.net/qysh123/article/details/44564943"  
7.   
8. my_headers=["Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36",  
9. "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",  
10. "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:30.0) Gecko/20100101 Firefox/30.0"  
11. "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",  
12. "Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; Win64; x64; Trident/6.0)"  
13.       
14. ]  
15. def get_content(url,headers):  
16.     ''''' 
17.     @获取403禁止访问的网页 
18.     '''  
19.     randdom_header=random.choice(headers)  
20.   
21.     req=urllib2.Request(url)  
22.     req.add_header("User-Agent",randdom_header)  
23.     req.add_header("Host","blog.csdn.net")  
24.     req.add_header("Referer","http://blog.csdn.net/")  
25.     req.add_header("GET",url)  
26.   
27.     content=urllib2.urlopen(req).read()  
28.     return content  
29.   
30. 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。

pasting

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

 

posted @ 2018-02-02 10:12 python许三多 阅读( ...) 评论( ...) 编辑 收藏