Python抓取中文网页

最新推荐文章于 2025-03-19 16:52:56 发布

nevasun

最新推荐文章于 2025-03-19 16:52:56 发布

阅读量9.9k

点赞数 2

分类专栏：编程语言C/Python 网络技术·移动通信文章标签： python gae windows import cron 浏览器

本文链接：https://blog.youkuaiyun.com/nevasun/article/details/7331644

版权

博主使用Python练习抓取网页数据，遇到403 Forbidden错误，通过添加浏览器头信息解决。接着出现中文乱码，通过设置编码转换成功抓取中文页面，计划将程序部署到GAE并利用cron实现定时更新。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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：

import sys, urllib2

req = urllib2.Request("http://blog.youkuaiyun.com/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：

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.youkuaiyun.com/nevasun", headers=headers)

再试一下，HTTP Err