为什么使用Python和bs4无法抓取某些网页？

Question

我得到这段代码的目的是获取 HTML 代码，并使用 bs4 来抓取它。from urllib.request import urlopen as uReqfrom bs4 import BeautifulSoup as soupmyUrl = '' #Here goes de the webpage.# opening up connection and downloadind the pageuClient = uReq(myUrl) pageHtml = uClient.read()uClient.close()#html parsepageSoup = soup(pageHtml, "html.parser")print(pageSoup)但是，它不起作用，这是终端显示的错误：Traceback (most recent call last):  File "main.py", line 7, in <module>    uClient = uReq(myUrl)  File "C:\ProgramData\Anaconda3\lib\urllib\request.py", line 222, in urlopen    return opener.open(url, data, timeout)  File "C:\ProgramData\Anaconda3\lib\urllib\request.py", line 531, in open    response = meth(req, response)  File "C:\ProgramData\Anaconda3\lib\urllib\request.py", line 640, in http_response    response = self.parent.error(  File "C:\ProgramData\Anaconda3\lib\urllib\request.py", line 569, in error    return self._call_chain(*args)  File "C:\ProgramData\Anaconda3\lib\urllib\request.py", line 502, in _call_chain    result = func(*args)  File "C:\ProgramData\Anaconda3\lib\urllib\request.py", line 649, in http_error_default    raise HTTPError(req.full_url, code, msg, hdrs, fp)urllib.error.HTTPError: HTTP Error 403: Forbidden

Answer 1

您缺少网站可能需要的一些标头。

我建议使用requestspackage 而不是urllib，因为它更灵活。请参阅下面的工作示例：

import requests

url = "https://www.idealista.com/areas/alquiler-viviendas/?shape=%28%28wt_%7BF%60m%7Be%40njvAqoaXjzjFhecJ%7BebIfi%7DL%29%29"

querystring = {"shape":"((wt_{F`m{e@njvAqoaXjzjFhecJ{ebIfi}L))"}

payload = ""

headers = {

    'authority': "www.idealista.com",

    'cache-control': "max-age=0",

    'upgrade-insecure-requests': "1",

    'user-agent': "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 Safari/537.36",

    'accept': "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",

    'sec-fetch-site': "none",

    'sec-fetch-mode': "navigate",

    'sec-fetch-user': "?1",

    'sec-fetch-dest': "document",

    'accept-language': "en-US,en;q=0.9"

    }

response = requests.request("GET", url, data=payload, headers=headers, params=querystring)

print(response.text)

从那里你可以使用 bs4 解析主体：

pageSoup = soup(response.text, "html.parser")

但是，请注意，您尝试抓取的网站可能会显示验证码，因此您可能需要轮换user-agent标头和 IP 地址。

Answer 2

您收到的 HTTP 403 错误意味着 Web 服务器拒绝了脚本发出的页面请求，因为它没有访问该页面的权限/凭据。

我可以从这里访问您的示例中的页面，因此最有可能发生的情况是网络服务器注意到您正在尝试抓取它并禁止您的 IP 地址请求更多页面。Web 服务器通常这样做是为了防止抓取工具影响其性能。