解決爬蟲瀏覽器中General顯示 Status Code:304 NOT MODIFIED，而在requests請求時出現403被攔截的情況。

在此，非常感謝 “完美風暴4” 的無私共享經驗的精神

 

 在Python爬蟲爬取網站時，莫名遇到 瀏覽器中General顯示 

Status Code:

304 NOT MODIFIED

而在requests請求時出現403被攔截的情況。下面轉自 “完美風暴4” 的博客解決辦法。

 

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，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=http://blog.csdn.net/qysh123

對於這個連接就有可能出現403禁止訪問的問題

解決這個問題，需要以下幾步驟：

[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

然后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，供以后調用方便使用，具體代碼：

 pasting

#-*-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。

pasting

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