爬虫的自我修养

今天的我更强了

import urllib.request
import chardet

def main():
    i = 0
   
    with open("url.txt", "r") as f:
        # 读取待访问的网址
        # 由于urls.txt每一行一个URL
        # 所以按换行符'\n'分割
        urls = f.read().splitlines()
        
    for each_url in urls:
        response = urllib.request.urlopen(each_url)
        html = response.read()

        # 识别网页编码
        encode = chardet.detect(html)['encoding']
        if encode == 'GB2312':
            encode = 'GBK'
        
        i += 1
        filename = "url_%d.txt" % i

        with open(filename, "w", encoding=encode) as each_file:
            each_file.write(html.decode(encode, "ignore"))

if __name__ == "__main__":
    main()
  这是依次访问文件中每一个网站的节点的标准答案，但是在爬取www.douban.com时报错，错误为 raise HTTPError(req.full_url, code, msg, hdrs, fp)

HTTPError
删掉这个网址就可以了 这是为什么？

青出于蓝

UserAgent加上试试看

suchocolate

    for each_url in urls:
        req = urllib.request.Request(each_url)
        req.add_header('user-agent', 'firefox')
        response = urllib.request.urlopen(req)