【问题标题】:Trying to Scrape a website for data but getting an Error 403试图从网站抓取数据但收到错误 403
【发布时间】:2017-07-24 03:40:13
【问题描述】:
from urllib.request import urlopen as uReq
from bs4 import BeautifulSoup as soup

my_url = 'http://www.csgoanalyst.win'
uClient = uReq(my_url)
page_html = uClient.read()
uClient.close()
page_soup = soup(page_html, "html.parser")
page_soup.body

我正在尝试搜索 hltv.org,以了解每个团队的禁用和选择地图。但是,我不断收到以下错误:

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/anaconda/lib/python3.6/urllib/request.py", line 223, in urlopen
    return opener.open(url, data, timeout)
  File "/anaconda/lib/python3.6/urllib/request.py", line 532, in open
    response = meth(req, response)
  File "/anaconda/lib/python3.6/urllib/request.py", line 642, in http_response
    'http', request, response, code, msg, hdrs)
  File "/anaconda/lib/python3.6/urllib/request.py", line 570, in error
    return self._call_chain(*args)
  File "/anaconda/lib/python3.6/urllib/request.py", line 504, in _call_chain
    result = func(*args)
  File "/anaconda/lib/python3.6/urllib/request.py", line 650, in http_error_default
    raise HTTPError(req.full_url, code, msg, hdrs, fp)
urllib.error.HTTPError: HTTP Error 403: Forbidden
>>> page_html = uClient.read()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
NameError: name 'uClient' is not defined
>>> uClient.close()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
NameError: name 'uClient' is not defined

我在另一个网站上试过这个脚本,所以我知道它可以工作。我认为 hltv 已经阻止了机器人或其他任何行为,我知道如果他们不希望人们这样做,我不应该特别这样做,但我很想获取数据。

任何帮助都会非常有帮助。 谢谢。

【问题讨论】:

  • 见:en.wikipedia.org/wiki/HTTP_403。您可以通过使用requests 包而不是urllib 来解决此问题,因此您可以设置请求的标头。
  • 如果你坚持urllib使用:uReq(Request(my_url, headers=headers))

标签: python web-scraping


【解决方案1】:
from urllib.request import urlopen as uReq

from bs4 import BeautifulSoup as soup

my_url = 'https://www.hltv.org/stats/teams/maps/6665/Astralis'

u_client = uReq(my_url)

soup = bs.BeautifulSoup(u_client,"html.parser")

print soup

如果你想删除标签

import bleach

print bleach.clean(soup,tags = [],strip = True)

【讨论】:

  • 是的,你应该使用request。因为这个网站是被禁止的,老实说它就像urllib一样简单
  • 我试过了,但得到了这个错误:Traceback (most recent call last): File "&lt;stdin&gt;", line 1, in &lt;module&gt; NameError: name 'bs' is not defined
【解决方案2】:

我建议你使用requests 模块而不是urllib。它速度很快,并且还有其他优点。你被禁止是因为你缺少一个 User-Agent 标头。尝试以下方法:

import requests

headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_5) AppleWebKit/537.36 (KHTML, like Gecko) Cafari/537.36'}
my_url = 'https://www.hltv.org/stats/teams/maps/6665/Astralis'

page = requests.get(my_url, headers=headers)
page_html = page.text

requests可以使用pip轻松安装:pip install requests

您也可以使用 urllib 添加标头,但它在语法上稍微复杂一些,而且可能更慢。

【讨论】:

  • 谢谢,page.text 和 uClient.read() 做同样的事情吗?
  • @Rory 欢迎,是的,text 做同样的工作。但它是一个属性而不是一个方法,即文本已经存储在page.text 中。我的代码对你有用吗?
  • 是的,代码似乎有效。但是,当我尝试做下一点时,我的方法不起作用。这是我正在使用的完整代码编辑:这里的代码看起来有点乱,所以我已经用它更新了主帖。
  • @Rory 有什么问题?
  • 我想我解决了这个问题。谢谢您的帮助。我将其更改为:import requests from bs4 import BeautifulSoup r = requests.get("http://arcanebet.com/sportxml?days=1") soup = BeautifulSoup(r.content,"lxml") print(soup.prettify())
猜你喜欢
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2021-10-07
  • 2018-04-25
相关资源
最近更新 更多