Python scrapy 常见问题及解决 遇到的坑

Posted 2021-01-02 littlebob

1. 爬虫出现Forbidden by robots.txt

解决方法：setting.py ROBOTSTXT_OBEY = True 改成False

原因：scrapy抓包时的输出就能发现，在请求我们设定的url之前，它会先向服务器根目录请求一个txt文件

这个文件中规定了本站点允许的爬虫机器爬取的范围（比如你不想让百度爬取你的页面，就可以通过robot来限制），因为默认scrapy遵守robot协议，所以会先请求这个文件查看自己的权限，而我们现在访问这个url得到

 1 User-agent: * 2 Disallow: / 

在setting改变ROBOTSTXT_OBEY为False，让scrapy不要遵守robot协议，之后就能正常爬取

对于使用robot协议的站点，只需要我们的爬虫不遵守该协议，就可以了，但是对于防止爬虫爬取，站点还有检查请求头、检查ip等等手段，还需要其他的相应处理。

2. 如何进一步获取数据并同时保存

解决方法：参考文章——scrapy爬取新浪网导航页所有大类、小类、小类里的子链接，以及子链接页面的新闻内容

3. ajax请求

解决方法：post请求

可以使用 yield scrapy.FormRequest(url, formdata, callback)方法发送POST请求

注意！！！

formdata的 参数值 必须是unicode , str 或者 bytes object，不能是整数。

4. 自动创建create_time

解决方法：将create_time字段设置为timestamp 并设置默认值CURRENT_TIMESTAMP

5. mysql 让清空表且自增的id重新从1开始

解决方法：truncate table table_name