問題:
urllib.request.urlopen() 方法經常會被用來打開一個網頁的源代碼,然后會去分析這個頁面源代碼,但是對於有的網站使用這種方法時會拋出"HTTP Error 403: Forbidden"異常
例如 執行下面的語句時
[python]
<span style="font-size:14px;"> urllib.request.urlopen("http://blog.csdn.net/eric_sunah/article/details/11099295")</span>
會出現以下異常:
[python]
<span style="color:#FF0000;"> File "D:\Python32\lib\urllib\request.py", line 475, in open
response = meth(req, response)
File "D:\Python32\lib\urllib\request.py", line 587, in http_response
'http', request, response, code, msg, hdrs)
File "D:\Python32\lib\urllib\request.py", line 513, in error
return self._call_chain(*args)
File "D:\Python32\lib\urllib\request.py", line 447, in _call_chain
result = func(*args)
File "D:\Python32\lib\urllib\request.py", line 595, in http_error_default
raise HTTPError(req.full_url, code, msg, hdrs, fp)
urllib.error.HTTPError: HTTP Error 403: Forbidden</span>
分析:
之所以出現上面的異常,是因為如果用 urllib.request.urlopen 方式打開一個URL,服務器端只會收到一個單純的對於該頁面訪問的請求,但是服務器並不知道發送這個請求使用的
瀏覽器,操作系統,硬件平台等信息,而缺失這些信息的請求往往都是非正常的訪問,例如爬蟲.
有些網站為了防止這種非正常的訪問,會驗證請求信息中的UserAgent(它的信息包括硬件平台、系統軟件、應用軟件和用戶個人偏好),如果UserAgent存在異常或者是不存在,那么這次請求將會被拒絕(如上錯誤信息所示)
所以可以嘗試在請求中加入UserAgent的信息
方案:
對於
Python 3.x來說,在請求中添加UserAgent的信息非常簡單,代碼如下
[python]
#如果不加上下面的這行出現會出現urllib2.HTTPError: HTTP Error 403: Forbidden錯誤
#主要是由於該網站禁止爬蟲導致的，可以在請求加上頭信息，偽裝成瀏覽器訪問User-Agent,具體的信息可以通過火狐的FireBug插件查詢
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0'}
req = urllib.request.Request(url=chaper_url, headers=headers)
urllib.request.urlopen(req).read()
將urllib.request.urlopen.read() 替換成上面的代碼后,對於出現問題的頁面就可以就正常訪問