如何废弃cricinfo中的所有测试匹配详细信息
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了如何废弃cricinfo中的所有测试匹配详细信息相关的知识,希望对你有一定的参考价值。
我试图废弃所有的测试比赛详细信息,但它显示HTTP Error 504: Gateway Timeout
我得到测试匹配的详细信息,但它没有显示这是我的代码我已经使用bs4
从cricinfo中删除测试匹配详细信息
我需要废弃2000测试匹配的详细信息,这是我的代码
import urllib.request as req
BASE_URL = 'http://www.espncricinfo.com'
if not os.path.exists('./espncricinfo-fc'):
os.mkdir('./espncricinfo-fc')
for i in range(0, 2000):
soupy = BeautifulSoup(urllib2.urlopen('http://search.espncricinfo.com/ci/content/match/search.html?search=test;all=1;page=' + str(i)).read())
time.sleep(1)
for new_host in soupy.findAll('a', {'class' : 'srchPlyrNmTxt'}):
try:
new_host = new_host['href']
except:
continue
odiurl =BASE_URL + urljoin(BASE_URL,new_host)
new_host = unicodedata.normalize('NFKD', new_host).encode('ascii','ignore')
print(new_host)
html = req.urlopen(odiurl).read()
if html:
with open('espncricinfo-fc/{0!s}'.format(str.split(new_host, "/")[4]), "wb") as f:
f.write(html)
print(html)
else:
print("no html")
答案
这通常发生在执行多个请求太快时,可能是服务器已关闭或您的连接被服务器防火墙阻止,请尝试增加您的sleep()
或添加随机睡眠。
import random
.....
for i in range(0, 2000):
soupy = BeautifulSoup(....)
time.sleep(random.randint(2,6))
另一答案
不知道为什么,似乎对我有用。
我通过链接在循环中做了一些更改。我不确定你希望输出看起来如何将它写入你的文件,所以我把这部分单独留下了。但就像我说的那样,似乎我的工作正常。
import bs4
import requests
import os
import time
import urllib.request as req
BASE_URL = 'http://www.espncricinfo.com'
if not os.path.exists('C:/espncricinfo-fc'):
os.mkdir('C:/espncricinfo-fc')
for i in range(0, 2000):
i=0
url = 'http://search.espncricinfo.com/ci/content/match/search.html?search=test;all=1;page=%s' %i
html = requests.get(url)
print ('Checking page %s of 2000' %(i+1))
soupy = bs4.BeautifulSoup(html.text, 'html.parser')
time.sleep(1)
for new_host in soupy.findAll('a', {'class' : 'srchPlyrNmTxt'}):
try:
new_host = new_host['href']
except:
continue
odiurl = BASE_URL + new_host
new_host = odiurl
print(new_host)
html = req.urlopen(odiurl).read()
if html:
with open('C:/espncricinfo-fc/{0!s}'.format('_'.join(str.split(new_host, "/")[4:])), "wb") as f:
f.write(html)
#print(html)
else:
print("no html")
以上是关于如何废弃cricinfo中的所有测试匹配详细信息的主要内容,如果未能解决你的问题,请参考以下文章
我如何在conftest.py中设置会话详细信息以提高产量以及pytest中的fixture?
如何匹配文件中的某些单词并列出该匹配单词的所有行? (没有正则表达式)