我正在尝试用 scrapy 进行一些提取,但它没有返回预期的 html,我不知道问题是什么,是否可能是网站的安全性或其他问题,因为其他页面正在返回正确的结果。
我正在尝试提取此链接 http://www.reclameaqui.com.br/busca/?q=estorno&empresa=Netshoes&pagina=2 上的帖子列表这是关于客户对服务和产品的不满意,但是上面代码返回的 html 不包含帖子列表,只是一个几乎空的简单 html。
有人知道会发生什么吗?导致正确提取受阻的问题?
代码很简单,和scrapy教程中的一样:
我已经尝试过一些爬虫桌面或在线工具,结果是一样的。
import scrapy
class DmozSpider(scrapy.Spider):
name = "dmoz"
allowed_domains = ["reclameaqui.com.br"]
start_urls = [
"http://www.reclameaqui.com.br/busca/q=estorno&empresa=Netshoes&pagina=2"
]
def parse(self, response):
filename = response.url.split("/")[-2] + '.html'
with open(filename, 'wb') as f:
f.write(response.body)
最佳答案
首先,您的 start_urls
中有错误。替换:
start_urls = [
"http://www.reclameaqui.com.br/busca/q=estorno&empresa=Netshoes&pagina=2"
]
与:
start_urls = [
"http://www.reclameaqui.com.br/busca/?q=estorno&empresa=Netshoes&pagina=2"
]
此外,如果您检查响应的来源,您会发现更多需要克服的挑战:
- 需要提交一个
表单
才能继续 - 使用 JavaScript 计算表单输入值
HTML 本身已损坏 -
表单
立即关闭,然后输入:<body> <form method="POST" action="%2fbusca%2f%3fq%3destorno%26empresa%3dNetshoes%26pagina%3d2"/> <input type="hidden" name="TS01867d0b_id" value="3"/><input type="hidden" name="TS01867d0b_cr" value=""/> <input type="hidden" name="TS01867d0b_76" value="0"/><input type="hidden" name="TS01867d0b_86" value="0"/> <input type="hidden" name="TS01867d0b_md" value="1"/><input type="hidden" name="TS01867d0b_rf" value="0"/> <input type="hidden" name="TS01867d0b_ct" value="0"/><input type="hidden" name="TS01867d0b_pd" value="0"/> </form> </body>
使用FormRequest.from_response()
可以轻松解决第一个问题。第二个是一个更严重的问题,您可能只能使用真正的浏览器(查找 selenium
) - 我尝试使用 ScrapyJS
,但无法解决它。第三个问题,如果不切换到使用真正的浏览器,可以通过允许 BeautifulSoup
来解决,它是 lenient html5lib
parser 修复 HTML。
这是上面提到的Python/Scrapy中的想法(不起作用 - 得到与另一端的连接以非干净的方式丢失
错误 - 我怀疑不是所有的输入值/POST参数计算):
from bs4 import BeautifulSoup
import scrapy
class DmozSpider(scrapy.Spider):
name = "dmoz"
start_urls = [
"http://www.reclameaqui.com.br/busca/?q=estorno&empresa=Netshoes&pagina=2"
]
def start_requests(self):
for url in self.start_urls:
yield scrapy.Request(url, self.parse_page, meta={
'splash': {
'endpoint': 'render.html',
'args': {'wait': 0.8}
}
})
def parse_page(self, response):
soup = BeautifulSoup(response.body, "html5lib")
response = response.replace(body=soup.prettify())
return scrapy.FormRequest.from_response(response,
callback=self.parse_form_request,
url="http://www.reclameaqui.com.br/busca/?q=estorno&empresa=Netshoes&pagina=2",
headers={
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36"
})
def parse_form_request(self, response):
print(response.body)
有关 selenium
和 ScrapyJS
设置的更多信息,请参阅:
此外,请确保遵守 Terms of Use 页面上描述的规则。
关于python - Scrapy爬虫没有返回预期的html,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33900427/