标签:python screen-scraping scrapy yahoo
我是网络抓取的新手,刚刚开始尝试使用Python编写的抓取框架Scrapy.我的目标是刮掉旧的雅虎集团,因为他们没有提供API或任何其他方法来检索邮件存档.雅虎集团的设置使您必须先登录才能查看档案.
我认为,我需要完成的步骤是:
>登录雅虎
>访问第一条消息的URL并抓取它
>对下一条消息等重复步骤2
我开始粗略地用scrapy蜘蛛完成上面的工作,这就是我到目前为止所拥有的.我想要观察的是登录工作,我能够检索第一条消息.一旦我开始工作,我将完成其余的工作:
class Sg101Spider(BaseSpider):
name = "sg101"
msg_id = 1 # current message to retrieve
max_msg_id = 21399 # last message to retrieve
def start_requests(self):
return [FormRequest(LOGIN_URL,
formdata={'login': LOGIN, 'passwd': PASSWORD},
callback=self.logged_in)]
def logged_in(self, response):
if response.url == 'http://my.yahoo.com':
self.log("Successfully logged in. Now requesting 1st message.")
return Request(MSG_URL % self.msg_id, callback=self.parse_msg,
errback=self.error)
else:
self.log("Login failed.")
def parse_msg(self, response):
self.log("Got message!")
print response.body
def error(self, failure):
self.log("I haz an error")
当我运行蜘蛛时,我看到它登录并发出第一条消息的请求.但是,我在scrapy的调试输出中看到的只有3个重定向,最终到达我首先要求的URL.但scrapy不会调用我的parse_msg()回调,并且爬行停止.这是scrapy输出的片段:
2011-02-03 19:50:10-0600 [sg101] INFO: Spider opened
2011-02-03 19:50:10-0600 [sg101] DEBUG: Redirecting (302) to <GET https://login.yahoo.com/config/verify?.done=http%3a//my.yahoo.com> from <POST https://login.yahoo.com/config/login>
2011-02-03 19:50:10-0600 [sg101] DEBUG: Redirecting (meta refresh) to <GET http://my.yahoo.com> from <GET https://login.yahoo.com/config/verify?.done=http%3a//my.yahoo.com>
2011-02-03 19:50:12-0600 [sg101] DEBUG: Crawled (200) <GET http://my.yahoo.com> (referer: None)
2011-02-03 19:50:12-0600 [sg101] DEBUG: Successfully logged in. Now requesting 1st message.
2011-02-03 19:50:12-0600 [sg101] DEBUG: Redirecting (302) to <GET http://launch.groups.yahoo.com/group/MyYahooGroup/auth?done=http%3A%2F%2Flaunch.groups.yahoo.com%2Fgroup%2FMyYahooGroup%2Fmessage%2F1> from <GET http://launch.groups.yahoo.com/group/MyYahooGroup/message/1>
2011-02-03 19:50:12-0600 [sg101] DEBUG: Redirecting (302) to <GET http://launch.groups.yahoo.com/group/MyYahooGroup/auth?check=G&done=http%3A%2F%2Flaunch%2Egroups%2Eyahoo%2Ecom%2Fgroup%2FMyYahooGroup%2Fmessage%2F1> from <GET http://launch.groups.yahoo.com/group/MyYahooGroup/auth?done=http%3A%2F%2Flaunch.groups.yahoo.com%2Fgroup%2FMyYahooGroup%2Fmessage%2F1>
2011-02-03 19:50:13-0600 [sg101] DEBUG: Redirecting (302) to <GET http://launch.groups.yahoo.com/group/MyYahooGroup/message/1> from <GET http://launch.groups.yahoo.com/group/MyYahooGroup/auth?check=G&done=http%3A%2F%2Flaunch%2Egroups%2Eyahoo%2Ecom%2Fgroup%2FMyYahooGroup%2Fmessage%2F1>
2011-02-03 19:50:13-0600 [sg101] INFO: Closing spider (finished)
2011-02-03 19:50:13-0600 [sg101] INFO: Spider closed (finished)
我无法理解这一点.看起来雅虎正在重定向蜘蛛(也许是为了验证身份?)但它似乎首先回到了我想要访问的URL.但scrapy不会调用我的回调,我没有机会刮取数据或继续爬行.
有没有人对正在发生的事情有什么想法和/或如何进一步调试?谢谢!
解决方法:
我认为雅虎正在重定向进行授权检查,最终将我重定向回我真正想要的页面.然而,Scrapy已经看到了这个请求,因为它不想进入循环而停止.在我的例子中,解决方案是将dont_filter = True添加到Request构造函数中.这将指示Scrapy不过滤掉重复的请求.这在我的情况下很好,因为我事先知道我想要抓取哪些网址.
def logged_in(self, response):
if response.url == 'http://my.yahoo.com':
self.log("Successfully logged in. Now requesting message page.",
level=log.INFO)
return Request(MSG_URL % self.msg_id, callback=self.parse_msg,
errback=self.error, dont_filter=True)
else:
self.log("Login failed.", level=log.CRITICAL)
标签:python,screen-scraping,scrapy,yahoo 来源: https://codeday.me/bug/20190621/1256068.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。