Python

Question

我正在使用 Python3 和 urllib3 来抓取和下载网站。我抓取了一个包含 4000 个不同域的列表，并在其中大约 5 个域中返回 HttpErrorCode - 403 - 'Forbidden'.

在我的浏览器上，该网站确实存在并且响应正确。可能这些网站怀疑我是爬虫，不让我获取数据。

这是我的代码：

from urllib3 import PoolManager, util, Retry
import certifi as certifi
from urllib3.exceptions import MaxRetryError

manager = PoolManager(cert_reqs='CERT_REQUIRED',
                               ca_certs=certifi.where(),
                               num_pools=15,
                               maxsize=6,
                               timeout=40.0,
                               retries=Retry(connect=2, read=2, redirect=10))
url_to_download = "https://www.uvision.co.il/"
headers = util.make_headers(accept_encoding='gzip, deflate',
                                keep_alive=True,
                                user_agent="Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:47.0) Gecko/20100101 Firefox/47.0")
headers['Accept-Language'] = "en-US,en;q=0.5"
headers['Connection'] = 'keep-alive'
headers['Accept'] = "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8"
try:
    response = manager.request('GET',
                               url_to_download,
                               preload_content=False,
                               headers=headers)
except MaxRetryError as ex:
    raise FailedToDownload()

拒绝我的网站示例： https://www.uvision.co.il/ and http://www.medyummesut.net/.

另一个无法正常运行并抛出 MaxRetryError 的网站是：

http://www.nytimes.com/2015/10/28/world/asia/south-china-sea-uss-lassen-spratly-islands.html?hp&action=click&pgtype=Homepage&module=first-column-region&region=top-news&WT.nav=top-news&_r=1

我也尝试使用与 Firefox 完全相同的 headers，但它也没有用。我是不是做错了什么？

Answer 1

您指定 keep_alive=True，这会添加一个 header connection: keep-alive

然后您还添加一个 header Connection: keep-alive（请注意大小写的细微差别）。这似乎是造成问题的原因。要修复它，只需删除多余的行

headers['Connection'] = 'keep-alive'

Python - urllib3 在抓取网站时收到 403 'Forbidden'

Python - urllib3 recieve 403 'Forbidden' while crawling websites

python-3.x

urllib

urllib3