用py写爬虫，去爬csdn，完美解决403 Forbidden问题

csdn上偶尔还是有那么一两篇好文章的，如果遇到这样的好文章，你想直接把它弄到自己的网站里面，或者保存到本地处理，一般来说，两种方法：

1. copy and paste,这个不用多介绍，会用电脑的人都会。
2.自己写个爬虫，根据页面地址，自动爬出想要的内容。在这里采用python写爬虫。

如果你直接采用 urllib 去抓内容，可能会出错，原因是 某些服务器上，禁止别人去爬站里的内容。所以必须模拟真实上网，才能抓取内容。下面两个代码段比较：

 程序代码

import re
import urllib
import cookielib
url = " http://blog.csdn.net/v_JULY_v/archive/2010/11/27/6039896.aspx"
sock = urllib.urlopen(url)
html = sock.read()
print html

直接报错了。得到结果 403 Forbidden 这是因为 CSDN appserver 上做了限制，如果没有做限制，肯定可以把内容爬下来。好了，既然这样，我们可以模拟正常上网一样，这样CSDN就不会限制你的。直接上代码：

 程序代码

#coding:utf-8
'''
Created on 2012-6-25
@author: lzs
''' 

import random
import socket
import urllib2
import cookielib

ERROR = {
        '0':'Can not open the url,checck you net',
        '1':'Creat download dir error',
        '2':'The image links is empty',
        '3':'Download faild',
        '4':'Build soup error,the html is empty',
        '5':'Can not save the image to your disk',
    }

class BrowserBase(object): 

    def __init__(self):
        socket.setdefaulttimeout(20)

    def speak(self,name,content):
        print '[%s]%s' %(name,content)

    def openurl(self,url):
        """
        打开网页
        """
        cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())
        self.opener = urllib2.build_opener(cookie_support,urllib2.HTTPHandler)
        urllib2.install_opener(self.opener)
        user_agents = [
                    'Mozilla/5.0 (Windows; U; Windows NT 5.1; it; rv:1.8.1.11) Gecko/20071127 Firefox/2.0.0.11',
                    'Opera/9.25 (Windows NT 5.1; U; en)',
                    'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)',
                    'Mozilla/5.0 (compatible; Konqueror/3.5; Linux) KHTML/3.5.5 (like Gecko) (Kubuntu)',
                    'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.8.0.12) Gecko/20070731 Ubuntu/dapper-security Firefox/1.5.0.12',
                    'Lynx/2.8.5rel.1 libwww-FM/2.14 SSL-MM/1.4.1 GNUTLS/1.2.9',
                    "Mozilla/5.0 (X11; Linux i686) AppleWebKit/535.7 (KHTML, like Gecko) Ubuntu/11.04 Chromium/16.0.912.77 Chrome/16.0.912.77 Safari/535.7",
                    "Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:10.0) Gecko/20100101 Firefox/10.0 ",

                    ] 
       
        agent = random.choice(user_agents)
        self.opener.addheaders = [("User-agent",agent),("Accept","*/*"),('Referer',' http://www.google.com')]
        try:
            res = self.opener.open(url)
            print res.read()
        except Exception,e:
            self.speak(str(e)+url)
            raise Exception
        else:
            return res

if __name__=='__main__':
    splider=BrowserBase()
    splider.openurl(' http://blog.csdn.net/v_JULY_v/archive/2010/11/27/6039896.aspx')    

直接得到了结果。因为这是模拟真实上网，发送了http header 的一些信息给appserver.
另外如果 是下载前或获取内容前需要登录的情况呢，参考另一篇文章：

http://www.yihaomen.com/article/python/216.htm 

转自：http://blog.csdn.net/zhaoyl03/article/details/8631897