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

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)

1，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。

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)

2.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：

负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
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

3.网页有反爬虫，这个暂时还没有遇到，但是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：在请求头部构造一个User Agent。

（余下的以后遇到再来补充）

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

猜你喜欢