python 基础学习中对于scrapy的使用遇到了一些问题。

首先进行的是对Amazon.cn的检索结果页进行爬取,很顺利,无碍。

下一个目标是对baidu的搜索结果进行爬取

1,反爬虫

1.1 我先对ROBOTSTXT_OBEY进行设置,结果找到了scrapy的默认参数(这里涉及多Python环境下库的调用问题,又是一个坑,另写一篇进行记录)。修改无效。

询问后才知道是对scrapy startproject编译过的项目中的setting进行修改

1.2 反爬虫第二关:网址,之前调用的

 1 import scrapy
 2 import sys
 3
 4 class Jizhi(scrapy.Spider):
 5
 6     name = 'jizhi'
 7
 8     arg = ' '.join(sys.argv[3:])
 9
10     base_urls = "https://www.baidu.com"
11
12     start_urls = [
13         'https://www.baidu.com/s?{}'.format(arg)
14     ]
15
16     counter = 0
17
18     def parse(self, response):
19
20         result_lst = response.css("h3.t a::text")
21
22         for result in result_lst:
23             yield {
24                 'title':result.extract()
25             }
26
27         Jizhi.counter +=1
28
29         # next_page:css('a.n')
30
31         if Jizhi.counter == 5: return
32
33         next_page = response.css('a.n::attr(href)')
34
35         if len(next_page) == 2:
36             next_page_url = next_page[1].extract()
37         else:
38             next_page_url = next_page.extract_first()
39
40         yield scrapy.Request(self.base_urls + next_page_url, callback=self.parse)

使用https

结果

2018-07-26 09:37:28 [scrapy.utils.log] INFO: Scrapy 1.5.0 started (bot: jizhi)
2018-07-26 09:37:28 [scrapy.utils.log] INFO: Versions: lxml 4.2.1.0, libxml2 2.9.8, cssselect 1.0.3, parsel 1.4.0, w3lib 1.19.0, Twisted 17.5.0, Python 3.6.5 |Anaconda, Inc.| (default, Mar 29 2018, 13:32:41) [MSC v.1900 64 bit (AMD64)], pyOpenSSL 18.0.0 (OpenSSL 1.0.2k  26 Jan 2017), cryptography 2.2.2, Platform Windows-10-10.0.17134-SP0
2018-07-26 09:37:28 [scrapy.crawler] INFO: Overridden settings: {'BOT_NAME': 'jizhi', 'NEWSPIDER_MODULE': 'jizhi.spiders', 'SPIDER_MODULES': ['jizhi.spiders']}
2018-07-26 09:37:29 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats','scrapy.extensions.telnet.TelnetConsole','scrapy.extensions.logstats.LogStats']
2018-07-26 09:37:29 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware','scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware','scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware','scrapy.downloadermiddlewares.useragent.UserAgentMiddleware','scrapy.downloadermiddlewares.retry.RetryMiddleware','scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware','scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware','scrapy.downloadermiddlewares.redirect.RedirectMiddleware','scrapy.downloadermiddlewares.cookies.CookiesMiddleware','scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware','scrapy.downloadermiddlewares.stats.DownloaderStats']
2018-07-26 09:37:29 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware','scrapy.spidermiddlewares.offsite.OffsiteMiddleware','scrapy.spidermiddlewares.referer.RefererMiddleware','scrapy.spidermiddlewares.urllength.UrlLengthMiddleware','scrapy.spidermiddlewares.depth.DepthMiddleware']
2018-07-26 09:37:29 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2018-07-26 09:37:29 [scrapy.core.engine] INFO: Spider opened
2018-07-26 09:37:29 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2018-07-26 09:37:29 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2018-07-26 09:37:29 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.baidu.com/s?wd=jizhi> (referer: None)
2018-07-26 09:37:29 [scrapy.core.scraper] ERROR: Spider error processing <GET https://www.baidu.com/s?wd=jizhi> (referer: None)
Traceback (most recent call last):File "C:\Users\asus\Anaconda3\lib\site-packages\scrapy\utils\defer.py", line 102, in iter_errbackyield next(it)File "C:\Users\asus\Anaconda3\lib\site-packages\scrapy\spidermiddlewares\offsite.py", line 30, in process_spider_outputfor x in result:File "C:\Users\asus\Anaconda3\lib\site-packages\scrapy\spidermiddlewares\referer.py", line 339, in <genexpr>return (_set_referer(r) for r in result or ())File "C:\Users\asus\Anaconda3\lib\site-packages\scrapy\spidermiddlewares\urllength.py", line 37, in <genexpr>return (r for r in result or () if _filter(r))File "C:\Users\asus\Anaconda3\lib\site-packages\scrapy\spidermiddlewares\depth.py", line 58, in <genexpr>return (r for r in result or () if _filter(r))File "C:\Users\asus\Documents\GitHub\spider\jizhi\jizhi\spiders\jizhi.py", line 40, in parseyield scrapy.Request(self.base_urls + next_page_url, callback=self.parse)
TypeError: must be str, not NoneType
2018-07-26 09:37:29 [scrapy.core.engine] INFO: Closing spider (finished)
2018-07-26 09:37:29 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 222,'downloader/request_count': 1,'downloader/request_method_count/GET': 1,'downloader/response_bytes': 872,'downloader/response_count': 1,'downloader/response_status_count/200': 1,'finish_reason': 'finished','finish_time': datetime.datetime(2018, 7, 26, 1, 37, 29, 585191),'log_count/DEBUG': 2,'log_count/ERROR': 1,'log_count/INFO': 7,'response_received_count': 1,'scheduler/dequeued': 1,'scheduler/dequeued/memory': 1,'scheduler/enqueued': 1,'scheduler/enqueued/memory': 1,'spider_exceptions/TypeError': 1,'start_time': datetime.datetime(2018, 7, 26, 1, 37, 29, 324887)}
2018-07-26 09:37:29 [scrapy.core.engine] INFO: Spider closed (finished)

View Code

报错,范围值应该是str而不是NoneType,很疑惑为啥是NoneType

这一项是str,那说明后面的参数返回值为空,没爬到数据。

ERROR: Spider error processing <GET https://www.baidu.com/s?wd=jizhi> (referer: None)

最后问来问去,是https的问题,把它换成http,OK了。

转载于:https://www.cnblogs.com/inkyang/p/9369880.html

#0 scrapy爬虫学习中遇到的坑记录相关推荐

  1. 关于Scrapy爬虫框架中meta参数的使用示例演示(下)

    点击上方"Python爬虫与数据挖掘",进行关注 回复"书籍"即可获赠Python从入门到进阶共10本电子书 今 日 鸡 汤 络纬秋啼金井阑,微霜凄凄簟色寒. ...

  2. scrapy爬虫学习系列七:scrapy常见问题解决方案

    scrapy爬虫学习系列七:scrapy常见问题解决方案 参考文章: (1)scrapy爬虫学习系列七:scrapy常见问题解决方案 (2)https://www.cnblogs.com/zhaoji ...

  3. Slam学习笔记——ROS踩坑记录

    Slam学习笔记--ROS踩坑记录 1. 安装 2. ROS文件系统 2.1 工作区 2.2 包package 2.2.1 包的操作 2.2.2 描述文件package.xml 2.3 节点node ...

  4. 对Python参数类型详解以及学习中遇到的坑

    由于之前遇到过几次有关于参数类型的坑,以及经常容易把一些参数类型搞混淆,现在做一下有关参数类型的总结记录以及对之前踩坑经历的分析. 参数类型 首先我们列举一下有关于Python的参数类型,以及实际上的 ...

  5. 微信退款 java工具类,微信支付中退款踩坑记录

    首先附上微信支付的开发者文档 其实这里所说的踩坑记录,无非就是微信在开发者文档上的写不太明确,也没有比较官方的demo,在此列出一个可行的demo,供大家下载使用. 主要问题就是在这几步解密上 微信的 ...

  6. scrapy 爬虫学习二[中间件的学习]

    scrapy源码解析参考连接:https://www.jianshu.com/p/d492adf17312 ,直接看大佬的就行了,这里便就不多说了. 今天要学习的是:Scrapy框架中的downloa ...

  7. Kindeditor学习中的那些坑

    Kindeditor富文本编辑器还算比较好上手的一款插件吧,下面记录一下我在学习和实践中遇到的那些坑. 编辑器初始化方法和参数网上一搜一大把,不想搜的点这里,文档上各个参数已经写得很清楚了,直接拿过来 ...

  8. Scrapy爬虫学习笔记

    声明 本文仅当学习交流爬虫技术,请读者在爬取相应网站时注意控制好频率,以免对目标网站造成不必要的影响,多谢合作! 创建项目 # 格式 scrapy startproject 项目名称# 范例 scra ...

  9. (伪)Python爬取猫眼电影(反反爬虫过程中遇到的坑)

    Python爬取猫眼电影 1.打开一个猫眼电影的URL,例如本月的较火的电影<毒液:致命守护者>http://maoyan.com/films/42964 直接F12,查看审核元素,发现上 ...

最新文章

  1. python telnetlib 协商_Python telnetlib:令人惊讶的问题
  2. 弹出层中都可以用的复制功能
  3. html u方法,success 方法
  4. jsf用于页面判断的标签_用于操作和导航的JSF命令组件标签
  5. 金山实习周记(2)——沟通
  6. ipad显示已停用,连接itunes
  7. 智能机器人软件开发入门教程:带你从0到1快速入门
  8. 第三十九期:1024特别版:向“程序媛们”致敬!
  9. 计算机网络实验1·**路由器基本配置**
  10. Electron 主进程、渲染进程及进程间的通信
  11. 计算机科学——计算机导论
  12. 蓝桥杯 ADV-183 分苹果 java
  13. 【广东工业大学】谭子真丨个人作品展示
  14. mac上启动nginx遇到80端口被占用的解决方法(猜了好久的坑我擦)
  15. 【LeViT: a Vision Transformer in ConvNet’s Clothing for Faster Inference论文解读】
  16. Android Audio - 支持多应用同时录音_Android9.0修改方法
  17. python模块名功能明和别名_Python模块及部分常见模块详解
  18. 这就是我的研究生生活
  19. Druid-imply常用服务的命令
  20. parallels恢复linux密码,重置Parallels虚拟机windows密码

热门文章

  1. Linux下静态IP地址的设置及TFTP服务的搭建
  2. C#DateTime.ToString格式化时间字符串
  3. Linux-Ubuntu 启用root账户
  4. git 配置免密登陆
  5. ant中的table行列不对齐问题,以及换行,隐藏等问题
  6. 如何安装sshd服务用于远程登录
  7. [react] 说说你对React的渲染原理的理解
  8. React开发(167):...数组拼接
  9. 前端学习(3273):js中this的使用二
  10. React工作(1)---export导出