爬蟲403問題解決urllib.error.HTTPError: HTTP Error 403: Forbidden

一、爬蟲時，出現urllib.error.HTTPError: HTTP Error 403: Forbidden

Traceback (most recent call last):
  File "D:/訪問web.py", line 75, in <module>
    downHtml(url=url)
  File "D:/urllib訪問web.py", line 44, in downHtml
    html=request.urlretrieve(url=url,filename='%s/%s.txt'%(savedir,get_domain_url(url=url)))
  File "C:\Python35\lib\urllib\request.py", line 187, in urlretrieve
    with contextlib.closing(urlopen(url, data)) as fp:
  File "C:\Python35\lib\urllib\request.py", line 162, in urlopen
    return opener.open(url, data, timeout)
  File "C:\Python35\lib\urllib\request.py", line 471, in open
    response = meth(req, response)
  File "C:\Python35\lib\urllib\request.py", line 581, in http_response
    'http', request, response, code, msg, hdrs)
  File "C:\Python35\lib\urllib\request.py", line 503, in error
    result = self._call_chain(*args)
  File "C:\Python35\lib\urllib\request.py", line 443, in _call_chain
    result = func(*args)
  File "C:\Python35\lib\urllib\request.py", line 686, in http_error_302
    return self.parent.open(new, timeout=req.timeout)
  File "C:\Python35\lib\urllib\request.py", line 471, in open
    response = meth(req, response)
  File "C:\Python35\lib\urllib\request.py", line 581, in http_response
    'http', request, response, code, msg, hdrs)
  File "C:\Python35\lib\urllib\request.py", line 509, in error
    return self._call_chain(*args)
  File "C:\Python35\lib\urllib\request.py", line 443, in _call_chain
    result = func(*args)
  File "C:\Python35\lib\urllib\request.py", line 589, in http_error_default
    raise HTTPError(req.full_url, code, msg, hdrs, fp)
urllib.error.HTTPError: HTTP Error 403: Forbidden

二、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于該頁面訪問的請求,但是服務器并不知道發送這個請求使用的瀏覽器,操作系統,硬件平臺等信息,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臺、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

三、方案:

對于Python 3.x來說,在請求中添加UserAgent的信息非常簡單,代碼如下

#如果不加上下面的這行出現會出現urllib.error.HTTPError: HTTP Error 403: Forbidden錯誤  

    #主要是由于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 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.75 Safari/537.36'}  
req = urllib.request.Request(url=chaper_url, headers=headers)  
urllib.request.urlopen(req).read()

而使用request.urlretrieve庫下載時，如下解決：

opener=request.build_opener()
opener.addheaders=[('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.75 Safari/537.36')]
request.install_opener(opener)
request.urlretrieve(url=url,filename='%s/%s.txt'%(savedir,get_domain_url(url=url)))

四、效果圖：