Python Scrapy：来自表单请求的 400 响应

Question

我一直在尝试抓取网站https://fbschedules.com/new-england-patriots-schedule/

本网站使用隐藏表单向php文件提交ajax请求：https : //fbschedules.com/wp-admin/admin-ajax.php

在尝试模拟 AJAX 请求后，scrapy 会为此代码返回 400 响应：

def parse(self, response):
    headers = {
        'User_Agent': user_agent,
        'Accept': 'application/json, text/javascript, */*; q=0.01',
        'Accept-Language': 'en-US,en;q=0.5',
        'Accept-Encoding': 'gzip, deflate, br',
        'Referer': 'https://fbschedules.com/new-england-patriots-schedule/',
        'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
        'X-Requested-With': 'XMLHttpRequest',
        'Cookie': cookie,
        'DNT': '1',
        'Connection': 'keep-alive',
        'Cache-Control': 'max-age=0'
    }

    data = {
        'action': 'load_fbschedules_ajax',
        'type': 'NFL',
        'display': 'Season',
        'team': 'New+England+Patriots',
        'current_season': '2018',
        'view': '',
        'conference': '',
        'conference-division': '',
        'ncaa-subdivision': '',
        'ispreseason': '',
        'schedule-week': '',
    }

    yield scrapy.FormRequest.from_response('https://fbschedules.com/wp-admin/admin-ajax.php',
                                           headers=headers,
                                           formdata=data,
                                           method='POST',
                                           callback=self.schedule_parse)

任何在正确方向上的帮助表示赞赏！

编辑：我还应该提到我将此蜘蛛作为单个脚本运行：

def start():
    configure_logging()
    runner = CrawlerRunner()
    runner.crawl(NflSpider)
    d = runner.join()
    d.addBoth(lambda _: reactor.stop())

    reactor.run()

开始抓取页面。控制台输出如下：

2018-09-02 18:20:33 [scrapy.core.engine] 信息：Spider 打开

2018-09-02 18:20:33 [scrapy.extensions.logstats] 信息：抓取 0 页（以 0 页/分钟），抓取 0 个项目（以 0 个项目/分钟）

2018-09-02 18:20:33 [scrapy.extensions.telnet] 调试：Telnet 控制台监听 127.0.0.1:6024

2018-09-02 18:20:33 [scrapy.core.engine] 调试：爬网（400）https://fbschedules.com/wp-admin/admin-ajax.php>（参考：无）

2018-09-02 18:20:33 [scrapy.spidermiddlewares.httperror] 信息：忽略响应 <400 https://fbschedules.com/wp-admin/admin-ajax.php >：HTTP 状态代码未处理或未处理允许

2018-09-02 18:20:33 [scrapy.core.engine] 信息：关闭蜘蛛（已完成）

Answer 1

我遇到了同样的问题，我通过向FormRequest参数添加元参数来处理它。

尝试使用scrapy.FormRequest而不是scrapy.FormRequest.from_response：

meta = {'handle_httpstatus_all': True}
yield FormRequest('https://fbschedules.com/wp-admin/admin-ajax.php',
                                           headers=headers,
                                           formdata=data,
                                           method='POST',
                                           meta=meta,
                                           callback=self.schedule_parse)