使用scrapy访问网页返回405状态码错误

Posted 2023-03-03

【中文标题】使用scrapy访问网页返回405状态码错误

【英文标题】：webpage returns 405 status code error when accessed with scrapy

【发布时间】：2017-11-29 09:34:03

【问题描述】：

我正在尝试使用 scrapy 来删除以下 URL -

https://www.realtor.ca/Residential/Single-Family/18279532/78-80-BURNDEAN-Court-Richmond-Hill-Ontario-L4C0K1-West***#v=n

但是，它总是最终给出状态 405 错误。我已经搜索过这个主题，但他们总是说它发生在请求方法不正确时，比如 POST 代替 GET。但这里肯定不是这样。

这是我的蜘蛛代码 -

import scrapy

class sampleSpider(scrapy.Spider):
    AUTOTHROTTLE_ENABLED = True
    name = 'test'
    start_urls = ['https://www.realtor.ca/Residential/Single-Family/18279532/78-80-BURNDEAN-Court-Richmond-Hill-Ontario-L4C0K1-West***#v=n']

    def parse(self, response):


        yield 
            'response' : response.body_as_unicode(),
        

这是我运行爬虫时得到的日志 -

PS D:\> scrapy runspider tst.py -o tst.csv
2017-06-26 19:20:49 [scrapy.utils.log] INFO: Scrapy 1.3.0 started (bot: scrapybot)
2017-06-26 19:20:49 [scrapy.utils.log] INFO: Overridden settings: 'FEED_FORMAT': 'csv', 'FEED_URI': 'tst.csv'
2017-06-26 19:20:49 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.feedexport.FeedExporter',
 'scrapy.extensions.logstats.LogStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.corestats.CoreStats']
2017-06-26 19:20:50 [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.stats.DownloaderStats']
2017-06-26 19:20:50 [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']
2017-06-26 19:20:50 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2017-06-26 19:20:50 [scrapy.core.engine] INFO: Spider opened
2017-06-26 19:20:50 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min
)
2017-06-26 19:20:50 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2017-06-26 19:20:51 [scrapy.core.engine] DEBUG: Crawled (405) <GET https://www.realtor.ca/Residential/Single-Family/1827
9532/78-80-BURNDEAN-Court-Richmond-Hill-Ontario-L4C0K1-West***#v=n> (referer: None)
2017-06-26 19:20:51 [scrapy.spidermiddlewares.httperror] INFO: Ignoring response <405 https://www.realtor.ca/Residential
/Single-Family/18279532/78-80-BURNDEAN-Court-Richmond-Hill-Ontario-L4C0K1-West***>: HTTP status code is not handled or
 not allowed
2017-06-26 19:20:51 [scrapy.core.engine] INFO: Closing spider (finished)
2017-06-26 19:20:51 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
'downloader/request_bytes': 306,
 'downloader/request_count': 1,
 'downloader/request_method_count/GET': 1,
 'downloader/response_bytes': 9360,
 'downloader/response_count': 1,
 'downloader/response_status_count/405': 1,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2017, 6, 26, 13, 50, 51, 432000),
 'log_count/DEBUG': 2,
 'log_count/INFO': 8,
 'response_received_count': 1,
 'scheduler/dequeued': 1,
 'scheduler/dequeued/memory': 1,
 'scheduler/enqueued': 1,
 'scheduler/enqueued/memory': 1,
 'start_time': datetime.datetime(2017, 6, 26, 13, 50, 50, 104000)
2017-06-26 19:20:51 [scrapy.core.engine] INFO: Spider closed (finished)

任何帮助将不胜感激。提前谢谢你。

【问题讨论】：

这是因为您在请求中包含了#v=n。 URL 中 # 之后的所有内容都不应发送到服务器。哈希锚是浏览器本地的。尝试删除它，它应该可以修复 405。

@drew010 仍然是同样的问题......实际上当我在scrapy shell中打开这个网址时。并在浏览器中呈现响应。它里面有captha。所以，他们不知何故知道请求不是来自浏览器，而是来自机器人或脚本。

确保它发送一个与普通浏览器匹配的用户代理字符串，并且 IP 不受限制。我看看还有什么可能

@drew010 它在浏览器中打开很好，所以 ip 很好。另外我在setting.py中设置了用户代理，还是没有成功。

用户代理阻止我收到 405，但正常响应首先会提供仅包含 javascript 内容的页面。 JS 用作浏览器测试。当您在浏览器中加载页面时，它正在评估 JS 并让您通过。如果您在浏览器中使用网络控制台，您会看到在加载初始页面后，它会向具有长名称的 JS 文件发出 GET 和 POST 请求。这会进行一些浏览器指纹识别并将结果发回。如果他们喜欢他们，您可以查看该网站。为此，您可能需要像 Selenium 这样的浏览器模拟器。

【参考方案1】：

我在尝试抓取www.funda.nl时遇到了类似的问题，并通过

更改用户代理（使用https://pypi.org/project/scrapy-random-useragent/）， 使用Scrapy Splash。

这可能也适用于您尝试抓取的网站（尽管我尚未对此进行测试）。

【讨论】：

这仍然不起作用。 Funda 使用 Distil 网络。他们仍然可以告诉您您正在使用刮刀。有什么建议吗？

您是否有任何更新，是否现在有可行的解决方案？我也喜欢funda.nl :)