如何解决scrapy中的403错误

Question

我是scrapy的新手,我让scrapy项目废弃了数据.

我正在尝试从网站上搜索数据,但我收到了错误日志

2016-08-29 14:07:57 [scrapy] INFO: Enabled item pipelines:
[]
2016-08-29 13:55:03 [scrapy] INFO: Spider opened
2016-08-29 13:55:03 [scrapy] INFO: Crawled 0 pages (at 0 pages/min),scraped 0 items (at 0 items/min)
2016-08-29 13:55:04 [scrapy] DEBUG: Crawled (403) <GET http://www.justdial.com/robots.txt> (referer: None)
2016-08-29 13:55:04 [scrapy] DEBUG: Crawled (403) <GET http://www.justdial.com/Mumbai/small-business> (referer: None)
2016-08-29 13:55:04 [scrapy] DEBUG: Ignoring response <403 http://www.justdial.com/Mumbai/small-business>: HTTP status code is not handled or not allowed
2016-08-29 13:55:04 [scrapy] INFO: Closing spider (finished)

我正在尝试按照命令然后在网站控制台然后我得到了响应,但当我在python脚本中使用相同的路径时,我得到了我上面描述的错误.

Web控制台上的命令:

$x('//div[@class="col-sm-5 col-xs-8 store-details sp-detail paddingR0"]/h4/span/a/text()')
$x('//div[@class="col-sm-5 col-xs-8 store-details sp-detail paddingR0"]/p[@class="contact-info"]/span/a/text()')

请帮我.

谢谢

Answer 1

就像评论中提到的Avihoo Mamka一样，您需要提供一些额外的请求标头，以免被该网站拒绝。

在这种情况下，它似乎只是User-Agent标题。默认情况下，scrapy用用户代理标识自己"Scrapy/{version}(+http://scrapy.org)"。一些网站可能出于某种原因而拒绝此操作。

为了避免这种情况，只需使用公共用户代理字符串设置headers您的参数Request：

headers = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:48.0) Gecko/20100101 Firefox/48.0'}
yield Request(url, headers=headers)

您可以在此处找到大量的用户代理，尽管您应该坚持使用流行的Web浏览器，例如Firefox，Chrome等，以获得最佳效果。

您也可以实现它以与您的蜘蛛一起使用start_urls：

class MySpider(scrapy.Spider):
    name = "myspider"
    start_urls = (
        'http://scrapy.org',
    )

    def start_requests(self):
        headers= {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:48.0) Gecko/20100101 Firefox/48.0'}
        for url in self.start_urls:
            yield Request(url, headers=headers)