python - scrapy 抓不到起始网页内容

问题描述

问 题

初学使用scrapy，按照教程建了很小一个例子，还没有到用pipeline之类的地步，只想看看能不能爬东西下来。代码如下：

spider.py：

from scrapy.spider import Spider 

class newsSpider(Spider):
    name = "News"
    allowed_domains = ["people.com.cn"]
     start_urls = ["http://people.com.cn"]

    def parse(self,response):
        print response.url
        filename = response.url.split('/')[-2]
        print filename
        open(filename,'w').write(response.body)

items.py:

import scrapy

class TutorialItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    pass
class newsItem(Item):
    title = Field()
    link = Field()
    desc = Field()

但是发现几个新闻网站都爬取失败了，包括：
people.com.cn
news.163.com
ifeng.com
以上几个都会报错：

 ERROR: Spider error processing <GET http://.....com> (referer: None)

但是，我爬tieba.baidu.com和例子中的"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"是可以爬下来东西的，也就是response是有内容的，也没有error。

我从以下几个方面改了改：
1.绕过robots.txt，在setting里把ROBOTSTXT_OBEY = False
2.禁用/启用cookie，COOKIES_ENABLED = False/True
3.设置USER_AGENT，USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'
`

结果并没有改变，那些新闻网站还是起始网页就爬不下来东西，请问怎么办？

解决方案

楼主，您好，我是这样解决这个问题的，第一我打开：

scrapy shell http://people.com.cn

进入到了shell模式，然后输入：

response.url.split('/')[-2]

发现里面的内容为空，这时候我判定是分割网址的时候弄错了，所以，我尝试了下面这个代码：

response.url.split('/')[-1]

发现有输出如下：

所以楼主的原因是filename不存在，所以不会生成文档了。
试试吧。

这篇关于python - scrapy 抓不到起始网页内容的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！