【发布时间】:2021-02-28 11:03:12
【问题描述】:
这是场景,我正在使用cheerio scraper 抓取包含房地产公告的网站。
每个公告都有指向下一个公告的链接,因此在抓取当前页面之前,我将下一页添加到请求队列中。 它总是在某个随机点发生的情况是刮板无缘无故停止,即使队列中有下一页要刮(我添加了图像)。
既然队列中仍有待处理的请求,为什么会发生这种情况? 非常感谢
这是我收到的信息:
2021-02-28T10:52:35.439Z INFO CheerioCrawler: All the requests from request list and/or request queue have been processed, the crawler will shut down.
2021-02-28T10:52:35.672Z INFO CheerioCrawler: Final request statistics: {"requestAvgFailedDurationMillis":null,"requestAvgFinishedDurationMillis":963,"requestsFinishedPerMinute":50,"requestsFailedPerMinute":0,"requestTotalDurationMillis":22143,"requestsTotal":23,"crawlerRuntimeMillis":27584,"requestsFinished":23,"requestsFailed":0,"retryHistogram":[23]}
2021-02-28T10:52:35.679Z INFO Cheerio Scraper finished.
这里是请求队列:
这里是代码
async function pageFunction(context) {
const { $, request, log } = context;
// The "$" property contains the Cheerio object which is useful
// for querying DOM elements and extracting data from them.
const pageTitle = $('title').first().text();
// The "request" property contains various information about the web page loaded.
const url = request.url;
// Use "log" object to print information to actor log.
log.info('Scraping Page', { url, pageTitle });
// Adding next page to the queue
var baseUrl = '...';
if($('div.d3-detailpager__element--next a').length > 0)
{
var nextPageUrl = $('div.d3-detailpager__element--next a').attr('href');
log.info('Found another page', { nextUrl: baseUrl.concat(nextPageUrl) });
context.enqueueRequest({ url:baseUrl.concat(nextPageUrl) });
}
// My code for scraping follows here
return { /*my scaped object*/}
}
【问题讨论】:
-
我的第一个想法是您在某处缺少 await 关键字。是否可以共享(部分)代码?
-
你可能需要向 apify 寻求支持。
-
@LukášKřivka 我正在使用示例代码,代码非常简单,第一行我用下一个公告的类检查 a 的存在,如果存在,我将它添加到队列中,然后我进行提取,我这样做正是为了避免任何问题,并且在最顶部,所以如果有异常我会确保它会继续提取下一页
-
@ollie10 不看代码真的很难说。只要检查你没有错过等待
-
@LukášKřivka 我编辑了添加代码的问题
标签: web-scraping cheerio apify