python - 避免在使用 scrapy 的网站上被禁止

Question

我正在尝试从 gsmarena 下载数据。下载 HTC one me spec 的示例代码来自以下站点“http://www.gsmarena.com/htc_one_me-7275.php”，如下所述:

网站上的数据以表格和表格行的形式分类。数据格式为:

table header > td[@class='ttl'] > td[@class='nfo']

Items.py 文件:

import scrapy

class gsmArenaDataItem(scrapy.Item):
    phoneName = scrapy.Field()
    phoneDetails = scrapy.Field()
    pass

蜘蛛文件:

from scrapy.selector import Selector
from scrapy import Spider
from gsmarena_data.items import gsmArenaDataItem

class testSpider(Spider):
    name = "mobile_test"
    allowed_domains = ["gsmarena.com"]
    start_urls = ('http://www.gsmarena.com/htc_one_me-7275.php',)

    def parse(self, response):
        # extract whatever stuffs you want and yield items here
        hxs = Selector(response)
        phone = gsmArenaDataItem()
        tableRows = hxs.css("div#specs-list table")
        for tableRows in tableRows:
            phone['phoneName'] = tableRows.xpath(".//th/text()").extract()[0]
            for ttl in tableRows.xpath(".//td[@class='ttl']"):
                ttl_value = " ".join(ttl.xpath(".//text()").extract())
                nfo_value = " ".join(ttl.xpath("following-sibling::td[@class='nfo']//text()").extract())
                colonSign = ": "
                commaSign = ", "
                seq = [ttl_value, colonSign, nfo_value, commaSign]
                seq = seq.join(seq)
        phone['phoneDetails'] = seq
        yield phone

但是，一旦我尝试使用 scrapy shell 加载页面，我就会被禁止:

"http://www.gsmarena.com/htc_one_me-7275.php"

我什至尝试在 settings.py 中使用 DOWNLOAD_DELAY = 3。

请建议我应该怎么做。

Answer 1

这可能是因为 Scrapy 的用户代理。如你所见here ，BOT_NAME 变量用于组成 USER_AGENT。我的猜测是您要抓取的网站正在阻止它。我试图查看他们的 robots.txt file但从那里没有任何线索。

您可以尝试设置自定义 UserAgent。在您的 settings.py 中添加以下行:

USER_AGENT = "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:38.0) Gecko/20100101 Firefox/38.0"

实际上，您的 USER_AGENT 可能是 anyone related to a browser