scrapy - Splash 返回多个 html 快照的问题
问题描述
我正在尝试使用启动脚本(在单个响应中,如文档中)返回多个 html 页面并从中提取链接。但是我发现在response.text 和response.body 中,只要返回一个以上的页面,就会改变html 内容。response.data 不是这种情况,它可以正常工作。为什么会这样?
我在文档中的相同代码(和网站)上尝试了这个 - http://splash.readthedocs.io/en/stable/scripting-ref.html#splash-html(来自后面的部分,来自多个示例html 快照)
这是我的启动请求-->
yield Request(url= url, callback= self.parse, dont_filter=True, meta={
'splash': {
'args': {'lua_source': self.lua_source, 'timeout': 200},
'endpoint': 'execute',
},
})
lua 脚本如下所示 -->
function page_info(splash, url)
splash:go(url)
local res = {
html=splash:html(),
}
return res
end
function main(splash, args)
local base = "https://news.ycombinator.com/news?p="
local result = treat.as_array({})
for i=1,3 do
local url = base .. i
result[i] = page_info(splash, url)
end
return result
end
结果响应:
响应数据-->
{u'html': u'<html op="news"><head><meta name="referrer" content="origin"><meta name="viewport" content="width=device-width, initial-scale=1.0"><link rel="stylesheet" type="text/css" href="news.css?i7azI8MkFRPfcPhHQ7HD">\n <link rel="shortcut icon" href="favicon.ico">\n <link rel="alternate" type="application/rss+xml" title="RSS" href="rss">\n <title>Hacker News</title>
response.text 和 response.body -->
u'[{"html": "<html op=\\"news\\"><head><meta name=\\"referrer\\" content=\\"origin\\"><meta name=\\"viewport\\" content=\\"width=device-width, initial-scale=1.0\\"><link rel=\\"stylesheet\\" type=\\"text/css\\" href=\\"news.css?i7azI8MkFRPfcPhHQ7HD\\">\\n <link rel=\\"shortcut icon\\" href=\\"favicon.ico\\">\\n <link rel=\\"alternate\\" type=\\"application/rss+xml\\" title=\\"RSS\\" href=\\"rss\\">\\n <title>Hacker News</title></head>
注意第二种情况下的额外\ \。这些可能是转义字符或其他东西,但它们会弄乱使用 response.text 的 LinkExtractor 并导致链接断开。同样,仅当我返回一组 html 响应时才会发生这种情况。我在这里想念什么?
解决方案
Lua 脚本正在返回一个结果数组,这些结果将在 Python 中转换为与 JSON 兼容的结构。中的值response.text
似乎是正确的。
您要传递给的 HTMLLinkExtractor
是 at json.loads(response.text)[i]['html']
, for i
in 0..2
。
In [1]: import json
In [2]: text = u'[{"html": "<html op=\\"news\\"><head><meta name=\\"referrer\\" content=\\"origin\\"><meta name=\\"viewport\\
...: " content=\\"width=device-width, initial-scale=1.0\\"><link rel=\\"stylesheet\\" type=\\"text/css\\" href=\\"news.css
...: ?i7azI8MkFRPfcPhHQ7HD\\">\\n <link rel=\\"shortcut icon\\" href=\\"favicon.ico\\">\\n <link rel=\\"alternate\\" type=
...: \\"application/rss+xml\\" title=\\"RSS\\" href=\\"rss\\">\\n <title>Hacker News</title></head>"}]'
In [3]: print(text)
[{"html": "<html op=\"news\"><head><meta name=\"referrer\" content=\"origin\"><meta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\"><link rel=\"stylesheet\" type=\"text/css\" href=\"news.css?i7azI8MkFRPfcPhHQ7HD\">\n <link rel=\"shortcut icon\" href=\"favicon.ico\">\n <link rel=\"alternate\" type=\"application/rss+xml\" title=\"RSS\" href=\"rss\">\n <title>Hacker News</title></head>"}]
In [4]: print(json.dumps(json.loads(text), indent=2))
[
{
"html": "<html op=\"news\"><head><meta name=\"referrer\" content=\"origin\"><meta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\"><link rel=\"stylesheet\" type=\"text/css\" href=\"news.css?i7azI8MkFRPfcPhHQ7HD\">\n <link rel=\"shortcut icon\" href=\"favicon.ico\">\n <link rel=\"alternate\" type=\"application/rss+xml\" title=\"RSS\" href=\"rss\">\n <title>Hacker News</title></head>"
}
]
In [5]: print(json.loads(text)[0]['html'])
<html op="news"><head><meta name="referrer" content="origin"><meta name="viewport" content="width=device-width, initial-scale=1.0"><link rel="stylesheet" type="text/css" href="news.css?i7azI8MkFRPfcPhHQ7HD">
<link rel="shortcut icon" href="favicon.ico">
<link rel="alternate" type="application/rss+xml" title="RSS" href="rss">
<title>Hacker News</title></head>
推荐阅读
- java - 具有多对多关系的表
- css - 如何修复 Safari 自定义字体颜色问题?
- c++ - STM32F411RE:程序冻结,超声波传感器不工作
- c# - 将 Unity.Entities 添加到项目时出现问题
- reactjs - 带有 typescript tsconfig 问题的 Material-UI
- r - R中的分组箱线图
- dart - Getter 和 setter 扩展方法
- azure - 为什么 azure CLI 将 0 添加到我的返回列表中
- javascript - Node.js“意外令牌错误”(需要帮助_
- r - 在 add_header_above() kableExtra 中添加带有换行符的标题行时出现问题