[已解决]我的代码跟小甲鱼一模一样为什么会报错

jroilee

代码如下：
import urllib.request
import os

def url_open(url):
    req = urllib.request.Request(url)
    req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36")
    response = urllib.request.urlopen(url)
    html = response.read()
   
    return html

def get_page(url):
    html = url_open(url).decode('utf-8')


    a = html.find('current-comment-page') + 23
    b = html.find(']',a)

    return html[a:b]
   
def find_imgs(url):
    html = url_open(url).decode('utf-8')
    img_addrs = []

    a = html.find('img src=')
   
    while a != -1:
        b = html.find('.jpg',a, a+255)
        if b != -1:
            img_addrs.append(html[a+9:b+4])
        else:
            b = a +9
        
        a = html.find('img src=', b)

    return img_addrs
      

   
def save_imgs(folder,img_addrs):
    for each in img_addrs:
        filename = each.split('/')[-1]
        with open(filename, 'wb') as f:
            img = url_open(each)
            f.write(img)
   

   
def download_mm(folder='ooxx', pages=10):
    os.mkdir(folder)
    os.chdir(folder)

    url = 'http://jandan.net/ooxx'
    page_num = int(get_page(url))

    for i in range(pages):
        page_num -= i
        page_url = url + "page-" + str(page_num) + "#comments"
        img_addrs = find_imgs(page_url)
        save_imgs(folder, img_addrs)

if __name__ == '__main__':
    download_mm()
报错截图如下：

最佳答案

月排行榜 / 总排行榜

qzq

2016-6-9 19:22:08

def url_open(url):
    req = urllib.request.Request(url)
    req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36")
    response = urllib.request.urlopen(url)
    html = response.read()
    return html
这里的这句response = urllib.request.urlopen(url)里的传入的url错了，改成
response=urllib.request.urlopen(req)这可以了，当年哥也出现这个问题，找这个也找了很久才发现的，小甲鱼错了竟然可以编译通过，太假了

跳转到最佳答案楼层

zhouathgddq

根据错误提示，貌似是你请求的网站服务器出现了问题，你可以过段时间再试试

jroilee

zhouathgddq 发表于 2016-6-9 14:30
根据错误提示，貌似是你请求的网站服务器出现了问题，你可以过段时间再试试

能告诉我，保存代码的意思大概是什么么。 我去百度没有找到。

qzq

def url_open(url):
    req = urllib.request.Request(url)
    req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36")
    response = urllib.request.urlopen(url)
    html = response.read()
    return html
这里的这句response = urllib.request.urlopen(url)里的传入的url错了，改成
response=urllib.request.urlopen(req)这可以了，当年哥也出现这个问题，找这个也找了很久才发现的，小甲鱼错了竟然可以编译通过，太假了

shuofxz

url = 'http://jandan.net/ooxx'
这个网站已经屏蔽爬虫了，现在已经不能用小甲鱼老师的方法爬这个网站了

你可以试试这个网站url="http://www.chunmm.com"
然而也需要根据情况调整一下逻辑

我发过一个下载百度贴吧图片的代码，你也可以参考一下
http://bbs.fishc.com/thread-68903-1-1.html

jroilee

shuofxz 发表于 2016-6-9 21:10
url = 'http://jandan.net/ooxx'
这个网站已经屏蔽爬虫了，现在已经不能用小甲鱼老师的方法爬这个网站了
...

O(∩_∩)O谢谢大神

mzbqhbc

qzq 发表于 2016-6-9 19:22
def url_open(url):
    req = urllib.request.Request(url)
    req.add_header("User-Agent","Mozilla/ ...

其实 小甲鱼的也没有错   
response = urllib.request.urlopen(url)  这句的话是直接访问了url变量所储存的网站 也就是说上面的添加User-Agent的请求头没有被使用   完全的无意义    有的网站没有屏蔽爬虫  这样是可以使用的  也完全没有关系,
但是 像楼主的报错 可以看到最后一个提示是urllib.error.HTTPError   错误代码503    可以去百度  503是服务器主动报错的   
而使用response = urllib.request.urlopen(req) 就使用了上面添加User-Agent的请求头的语句   伪装了浏览器  所以不会被网站服务器识破  就不会报错了   
最后估计小甲鱼在录视频的时候  该网站 并没有做爬虫鉴别和禁止爬虫    但是最近 做了使用User-Agent鉴别和禁止爬虫了
最后  你可以去百度看看别人服务器如何禁止爬虫的   
网站如何禁止 我们做爬虫的就可以反禁止  
比如禁止了User-Agent  我们可以伪装User-Agent
比如禁止了Accept 就伪装   accept  等等.....

whuer_py

网站屏蔽了