只是想爬几张图片,开始在处理,请求下载图片 src 的时候,返回的 403 响应,结果调着调着,就又报出了下面的 unicodeEncodeError,找了半天找到解决方法,基本主体代码都在这儿了(估计也没啥用)求大神解答!!!
def handle_request(self, url):
"""构建请求对象:return"""
headers = {
'User-Agent':' Mozilla / 5.0 ( Windows; U; Windows NT 6.1; en-us ) AppleWebKit / 534.50 ( KHTML,类似 Gecko )版本 / 5.1 Safari / 534.50',
}
return urllib.request.Request(url=url, headers=headers)
def send_request(self, request):
"""发送请求获取内容"""
return urllib.request.urlopen(request).read().decode('gbk')
def down_picture(self, response):
#根据内容形成 tree 对象
tree = etree.HTML(response)
#根据数据形成对应 xpath
pic_href = tree.xpath('//div[@class="main"]/dl/dd/a/img/@src') #图片链接
pic_text = tree.xpath('//div[@class="main"]/dl/dd/a[@target="_blank"]/text()') #图片文本
#pic_src://div[@class="main"]/dl/dd/a/img/@src
#pic_text()://div[@class="main"]/dl/dd/a[@target="_blank"]/text()
# try:
for img in zip(pic_text,pic_href):
# request = self.handle_request(img[1]) # 再次构建图片请求对象
# response = self.send_request(request) # 发送对象返回响应 error403
dirname = './tupian';filename = img[0]+'.jpg'
filepath = os.path.join(dirname, filename)
if not os.path.exists(dirname):
os.mkdir(dirname)
# with open(filepath, 'wb') as fp:
# fp.write(response.read())
urllib.request.urlretrieve(img[1],filepath) #图片下载
# except Exception as e:
# print(e)
UnicodeEncodeError: 'latin-1' codec can't encode character '\uff08' in position 14: ordinal not in range(256) 有时间的话,顺便把 httperror403 错误也解了吧,新手,也没找到办法
1
matrix273 2018-07-29 00:40:42 +08:00 via Android
看一下 handle_request 返回的类型 是不是 b'',二进制类型啊,那样需要先 decode()吧,有一阵子没有捣鼓爬虫了。
|
2
Sylv 2018-07-29 01:09:49 +08:00
403 一般就意味着网站检测出访问是非法的(例如爬虫),所以就拒绝访问了,你爬虫没有伪装好。
UnicodeEncodeError 具体是哪行报的错? 给个建议: 人生苦短,我用 requests。 |
3
zhangpeter 2018-07-29 06:47:50 +08:00
用 Python3 的 requests 库吧,既方便,报错又少。
|
4
ericls 2018-07-29 09:39:33 +08:00 via iPhone 1
上面都推荐了 requests 我跟着推荐一下 requests-html
API 不错 |
5
rwecho 2018-07-30 08:33:09 +08:00
403 看看你的请求和浏览器的报文头有没有区别, 如果一样, 试着放慢采集的速度, 有可能太快被 ban 了
UnicodeEncodeError 错误一般是转码问题, 你用的 terminal 是什么编码, 保存日志是什么编码, html 返回是什么编码. |
6
engineer9 2018-07-30 10:10:38 +08:00
.decode('gbk')去掉就行了,大佬哥
|