欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

使用scrapy做爬虫遇到的一些坑:爬虫使用scrapy爬取网页返回403错误大全以及解决方案

程序员文章站 2022-06-23 18:09:38
...

今天学习scrapy爬取网络时遇到的一些坑的可能

正常情况:DEBUG: Crawled (200) <GET http://www.techbrood.com/> (referer: None)

错误情况:DEBUG: Crawled (403) <GET http://www.techbrood.com/> (referer: None)

一,网址的错误

一开始看得是scrapy的文档,然后照着文档输出以下代码:

import scrapy

class DmozSpider(scrapy.spiders.Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self, response):
        filename = response.url.split("/")[-2]
        with open(filename, 'wb') as f:
            f.write(response.body)

然后出现返回403错误。找了挺久原因,毕竟其他地方没啥问题,只有通过排除法了,最终将注意力放在网址上,于是将网址输入到浏览器上,果然是错误的。两个网址都是错误的。

使用scrapy做爬虫遇到的一些坑:爬虫使用scrapy爬取网页返回403错误大全以及解决方案

解决方案:首先检查你的网址没有错误,这是非常关键的一步。当我改过来之后就出现了。

# -*- coding:utf-8 -*-
import scrapy

class DmozSpider(scrapy.spiders.Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "https://blog.csdn.net/weixin_41931602/article/details/80199750",
    ]
    def parse(self, response):
        with open("TY.html", "w") as f:
            f.write(response.body)

使用scrapy做爬虫遇到的一些坑:爬虫使用scrapy爬取网页返回403错误大全以及解决方案

二.缩进问题

在看黑马程序员的scrapy的公开视频时,照着打代码也一样错误,而且一直都没有出现爬取出来的网页的HTML源代码。

#scrapy genspider itcast "itcast.cn"
# -*- coding: utf-8 -*-
import scrapy
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
from mySpider.items import ItcastItem

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = ("http://www.itcast.cn/channel/teacher.shtml#ajavaee")

#一定要记得将parse函数缩进
def parse(self, response):
    with open("teacher.html", "w") as f:
        f.write(response.text)
    print response.text

反反复复看好像也没啥问题吧?这次网址也正确啊!检查了许久,才发现我竟然把parse函数写到外面了,难怪没有写出相关的网页代码出来,毕竟我写的代码运行时是没有调用这个函数的。

顺便提一提,parse(self, response) :解析的方法,每个初始URL完成下载后将被调用,调用的时候传入从每一个URL传回的Response对象来作为唯一参数,主要作用如下:

  1. 负责解析返回的网页数据(response.body),提取结构化数据(生成item)
  2. 生成需要下一页的URL请求。

解决方法:一定要记得将parse函数缩进

三.网页有反爬虫

凡是使用爬虫去爬取数据时,都应提前想想爬取的网站上有没有反爬虫,你写的代码都应该有代理吧?

解决方案:在settings文件中添加

USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'

附录:常见的user_agent:

USER_AGENTS = [
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
    "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
    "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
    "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
]

如果还不能解决的话,还需要设置以下的

1.添加IP代理:

PROXIES = [
    {'ip_port': '111.11.228.75:80', 'user_pass': ''},
    {'ip_port': '120.198.243.22:80', 'user_pass': ''},
    {'ip_port': '111.8.60.9:8123', 'user_pass': ''},
    {'ip_port': '101.71.27.120:80', 'user_pass': ''},
    {'ip_port': '122.96.59.104:80', 'user_pass': ''},
    {'ip_port': '122.224.249.122:8088', 'user_pass': ''},
]

2.改机器人协议以及cookie

ROBOTSTXT_OBEY = False
COOKIES_ENABLED = False

3.设置延迟   

DOWNLOAD_DELAY = 3

四.在分段函数中所要爬取的url有反爬虫,例如下图加了显示状态码分辨出来的

    def start_requests(self):
        bash_url = 'http://shoudian.bjx.com.cn/NewsList?id=85'
        last_url = '&page='
        for i in range(1,10):#10
            if i == 1:
                url = bash_url
            else:
                url = bash_url + last_url + str(i)
            print(url)
            print(requests.get(url).status_code)
            if requests.get(url).status_code != 403:
                yield Request(url, self.parse)
                print(url)
            else:
                break

使用scrapy做爬虫遇到的一些坑:爬虫使用scrapy爬取网页返回403错误大全以及解决方案

解决方案:在请求的url后面添加头文件如以下,头文件可以从问题三的附录中随机取

    def start_requests(self):
        bash_url = 'http://shoudian.bjx.com.cn/NewsList?id=85'
        last_url = '&page='
        for i in range(1,10):#10
            if i == 1:
                url = bash_url
            else:
                url = bash_url + last_url + str(i)
            url_code = requests.get(url,headers={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}).status_code
            if url_code != 403:
                yield Request(url, self.parse,headers={'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'})
            else:
                break