用py寫爬蟲,去爬csdn,完美解決403 Forbidden問題


csdn上偶爾還是有那么一兩篇好文章的,如果遇到這樣的好文章,你想直接把它弄到自己的網站里面,或者保存到本地處理,一般來說,兩種方法:


1. copy and paste,這個不用多介紹,會用電腦的人都會。
2.自己寫個爬蟲,根據頁面地址,自動爬出想要的內容。在這里采用python寫爬蟲。

如果你直接采用 urllib 去抓內容,可能會出錯,原因是 某些服務器上,禁止別人去爬站里的內容。所以必須模擬真實上網,才能抓取內容。下面兩個代碼段比較:

程序代碼 程序代碼

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


直接報錯了。得到結果 403 Forbidden 這是因為 CSDN appserver 上做了限制,如果沒有做限制,肯定可以把內容爬下來。好了,既然這樣,我們可以模擬正常上網一樣,這樣CSDN就不會限制你的。直接上代碼:

程序代碼 程序代碼

#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):
        """
        打開網頁
        """
        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')    

直接得到了結果。因為這是模擬真實上網,發送了http header 的一些信息給appserver.
另外如果 是下載前或獲取內容前需要登錄的情況呢,參考另一篇文章:

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

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


注意!

本站转载的文章为个人学习借鉴使用,本站对版权不负任何法律责任。如果侵犯了您的隐私权益,请联系我们删除。



 
粤ICP备14056181号  © 2014-2020 ITdaan.com