【问题标题】:Why does my basic scrapy request get no response?为什么我的基本scrapy 请求没有得到响应?
【发布时间】:2017-08-10 03:58:32
【问题描述】:

我是 scrapy 的新手,正在尝试提交表单并抓取来自 https://www.fbo.gov/index?s=opportunity&tab=search&mode=list 的回复。

当我使用scrapy shell时:

scrapy shell "https://www.fbo.gov/index?s=opportunity&tab=search&mode=list"

它会打开外壳但不包含响应对象。跑步

print(response)

不返回。 我试过只使用“https://www.fbo.gov”和其他变体,但似乎没有任何效果。我遵循的示例使用了“http://quotes.toscrape.com/page/1/”,效果很好。

为什么我在使用不同的 URL 时没有得到响应?跟https有关系吗?由于链接包含表单,我是否需要使用 FormRequest 来获得响应?我认为它至少会返回表单的 html。我计划在提交时“检查”各种复选框。

提前感谢您的帮助!

日志:

2017-08-09 21:45:43 [scrapy.utils.log] INFO: Scrapy 1.4.0 started (bot: fbg)
2017-08-09 21:45:43 [scrapy.utils.log] INFO: Overridden settings: {'NEWSPIDER_MODULE': 'fbg.spiders', 'ROBOTSTXT_OBEY': True, 'SPIDER_MODULES': ['fbg.spiders'], 'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter', 'BOT_NAME': 'fbg', 'LOGSTATS_INTERVAL': 0}
2017-08-09 21:45:44 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.memusage.MemoryUsage',
 'scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole']
2017-08-09 21:45:44 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2017-08-09 21:45:45 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2017-08-09 21:45:45 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2017-08-09 21:45:45 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2017-08-09 21:45:45 [scrapy.core.engine] INFO: Spider opened
2017-08-09 21:45:45 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.fbo.gov/robots.txt> (referer: None)
2017-08-09 21:45:45 [scrapy.downloadermiddlewares.robotstxt] DEBUG: Forbidden by robots.txt: <GET https://www.fbo.gov/index?s=opportunity&tab=search&mode=list>
[s] Available Scrapy objects:
[s]   scrapy     scrapy module (contains scrapy.Request, scrapy.Selector, etc)
[s]   crawler    <scrapy.crawler.Crawler object at 0x1101058d0>
[s]   item       {}
[s]   request    <GET https://www.fbo.gov/index?s=opportunity&tab=search&mode=list>
[s]   settings   <scrapy.settings.Settings object at 0x1101059e8>
[s] Useful shortcuts:
[s]   fetch(url[, redirect=True]) Fetch URL and update local objects (by default, redirects are followed)
[s]   fetch(req)                  Fetch a scrapy.Request and update local objects 
[s]   shelp()           Shell help (print this help)
[s]   view(response)    View response in a browser

【问题讨论】:

  • 我的两个网站都运行良好。你能把整个日志贴出来吗?如果你在 unix 机器上,你可以通过scrapy shell someurl 2&gt;1 | tee output.log 做到这一点。
  • @Granitosaurus 刚刚编辑显示日志
  • @Granitosaurus 打开一个新的终端解决了我的问题。就必须这样做吗?
  • @Granitosaurus 作为旁注,运行用于转储日志的命令将其转储到一个名为 1 的文件中,而 output.log 文件只有“>>>”,没有其他内容。我假设这不是计划的?
  • 如果您在 unix 上运行并且有 tee 命令,它应该可以正常工作。 2&gt;1 所做的是将 stderr 重定向到 stdout,| tee ouput.log 将输出重定向到 stdout 和文件(就像一个 T 形转弯)。我不明白它为什么会输出它对你所做的事情,也许是一个错字?

标签: python scrapy response scrapy-shell


【解决方案1】:

你的日志说:

2017-08-09 21:45:45 [scrapy.downloadermiddlewares.robotstxt] DEBUG: Forbidden by robots.txt: <GET https://www.fbo.gov/index?s=opportunity&tab=search&mode=list>

似乎您已将ROBOTSTXT_ENABLED 设置为True,因此您的请求被过滤掉了。尝试在您的项目中禁用它或运行scrapy shell url -s ROBOTSTXT_ENABLED=0

当您“打开一个新终端”时它起作用的原因是您可能从非项目目录启动了 shell,而 scrapy 不再从您的项目中获取此设置。

【讨论】:

  • 是的,有效。谢谢!更改该变量到底有什么作用?
  • ROBOTSTXT_ENABLED 是让您的蜘蛛遵循robots.txt 文件说明的设置。大多数网站都有它,可以通过 domain.com/robots.txt 页面访问。它包含有关网络爬虫可以爬取和不能爬取的说明。当然,“不能”位通常是整个网站,因此人们很少关注这些规则。
猜你喜欢
  • 2016-12-23
  • 1970-01-01
  • 2013-10-22
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2019-08-30
  • 2018-08-14
相关资源
最近更新 更多