为什么我不能通过BeautifulSoup抓取亚马逊？

Question

下面是我的python代码：

import urllib2
from bs4 import BeautifulSoup

page = urllib2.urlopen("http://www.amazon.com/")
soup = BeautifulSoup(page)
print soup

它适用于google.com和许多其他网站，但不适用于amazon.com。

我可以在浏览器中打开amazon.com，但得到的“汤”仍然是空的。

此外，我发现它也不能从appannie.com抓取。但是，代码返回的不是none，而是一个错误：

HTTPError: HTTP Error 503: Service Temporarily Unavailable 

因此，我怀疑亚马逊和App Annie是否会阻止抓取。

Answer 1

添加一个头，然后它就可以工作了。

from bs4 import BeautifulSoup
import requests
url = "http://www.amazon.com/"

# add header
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.71 Safari/537.36'}
r = requests.get(url, headers=headers)
soup = BeautifulSoup(r.content, "lxml")
print soup

Answer 2

您可以尝试这样做：

import urllib2
from bs4 import BeautifulSoup

page = urllib2.urlopen("http://www.amazon.com/")
soup = BeautifulSoup(page)
print soup

在python中，任意文本称为字符串，必须用引号(“")括起来。

Answer 3

我刚刚遇到这个问题，发现设置任何用户代理都是可行的。你不需要在你的用户代理上撒谎。

response = HTTParty.get @url, headers: {'User-Agent' => 'Httparty'}