urllib2.HTTPError: HTTP Error 403: Forbidden

应用例子:

#coding:utf-8
import urllib2

request = urllib2.Request('http://blog.csdn.net/nevasun')

#在请求加上头信息,伪装成浏览器访问
request.add_header('User-Agent','Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6')

opener = urllib2.build_opener()
f= opener.open(request)
print f.read().decode('utf-8')


早就有想法把博客每天的访问流量记下来,刚好现在申请了GAE的应用,又开始学Python,正好拿这个练手。打算先利用Python把访问记录保存在本地,熟悉之后可以部署到GAE,利用GAE提供的cron就可以每天更近访问流量了。OK,开始~

首先是简单的网页抓取程序:

[python] import sys, urllib2 
 
req = urllib2.Request("http://blog.csdn.net/nevasun") 
fd = urllib2.urlopen(req) 
while True: 
    data = fd.read(1024) 
    if not len(data): 
        break 
    sys.stdout.write(data)


在终端运行提示urllib2.HTTPError: HTTP Error 403: Forbidden,怎么回事呢?

这是由于网站禁止爬虫,可以在请求加上头信息,伪装成浏览器访问。添加和修改:

[python] headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'} 
req = urllib2.Request("http://blog.csdn.net/nevasun", headers=headers) 

再试一下,HTTP Error 403没有了,但是中文全都是乱码。又是怎么回事?

这是由于网站是utf-8编码的,需要转换成本地系统的编码格式:

import sys, urllib2 
 
headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'} 
req = urllib2.Request("http://blog.csdn.net/nevasun", headers=headers) 
content = urllib2.urlopen(req).read()   # UTF-8  
 
type = sys.getfilesystemencoding()      # local encode format  
print content.decode("UTF-8").encode(type)  # convert encode format 
import sys, urllib2


OK,大功告成,可以抓取中文页面了。下一步就是在GAE上做个简单的应用了~

你可能感兴趣的:(urllib2.HTTPError: HTTP Error 403: Forbidden)