我对Python和刮痧不太熟悉,我一直在刮沃尔玛有一些积极的结果。在
它已经工作了一个星期,甚至25小时前,但是昨晚我开始得到这个响应,它没有出现在scrapy错误这是什么是刮和返回通过txt文件。在
<!doctype html>
<html lang="en-US" itemscope itemtype="http://schema.org/WebPage">
<head>
<title>Omnivore Walmart</title>
</head>
<body id="WalmartBodyId" class="WalmartMainBody SimpleMode">
<!-- SiteCatalyst code version: H.23.3
Copyright 1996-2009 Adobe, Inc. All Rights Reserved
More info available at http://www.omniture.com
-->
<script language="JavaScript" type="text/javascript">
var s_account="walmartcom";
</script>
<script language="JavaScript" type="text/javascript" src=" https://secure.walmartimages.com/webanalytics/wmStat/wmStat.jsp"></script>
<script language="JavaScript" type="text/javascript">
var omni = {
"adid" : s_omni.getQueryParam('adid'),
"fbref" : s_omni.getQueryParam('fb_ref'),
"sourceid" : s_omni.getQueryParam('sourceid'),
"povid" : s_omni.getQueryParam('povid'),
"findingMethod" : s_omni.getQueryParam('findingMethod'),
getCampaignId : function() {
if(this.adid) { return this.adid; }
else if (this.fbref) { return this.fbref.split('_')[1]; }
else if (this.sourceid){ return this.sourceid; }
else { return ''; }
}
};
s_omni.pageName="Akamai Error 500:https://www.walmart.com/ip/Pringles-Loaded-Baked-Potato-Potato-Crisps-5-5-oz-Canister/144650857";
s_omni.channel="Walmart.com";
s_omni.campaign=omni.getCampaignId();
s_omni.prop1="Akamai Error";
s_omni.prop2="Akamai Error 500";
s_omni.prop48="Akamai 500:Generic Error - AKAMAI REFERENCE ERROR NO:3.1be3ab42.1510509312.48a15f11";
var s_code=s_omni.t();if(s_code) document.write(s_code);
</script>
<br>
<table>
<tr>
<td>Error Page</td>
</tr>
</table>
<br>
<table>
<tr>
<td>Could not connect to server</td>
</tr>
</table>
</body>
</html>
我做过研究,大多数人认为500意味着被封锁/禁止是很少见的,有没有可能我已经调整了一些东西,或者可以调整一些东西来再次产生结果?在
任何帮助都将不胜感激,我试过不同的产品WM.com网站同样的,我可以通过浏览器找到它,没有任何问题。在
您的scraper可能已被禁止访问该站点,因为您要么被检测到正在刮取,要么以其他方式恶意(例如,每分钟发送太多请求¹,而不是跟随机器人.txt). 在
既然你说几个小时前它仍然有效,我想禁令是基于知识产权的。现在可以执行以下操作:
https://www.walmart.com/ip/Pringles-Loaded-Baked-Potato-Potato-Crisps-5-5-oz-Canister/144650857
,但是IP相同(如果它在服务器上,可以使用curl
或{USER_AGENT
,看看它是否能再次起作用接下来,你应该降低你的爬行率。我猜你爬得太过火了。在大多数情况下,只要降低爬行速度就足够了。然而,对于沃尔玛,我也可以相信他们有更先进的措施,比如从URL访问模式中检测机器人等等(我的意思是,如果你只请求每分钟一次,沃尔玛甚至可以检测到你)。在
规避禁令问题的一些想法:
DOWNLOAD_DELAY
或AUTOTHROTTLE_*
设置降低爬网速度脚注
¹是的,每分钟。在正常的网络爬网中,我们尽量让大多数网站延迟几秒钟。有些人在礼貌的爬行中使用公式
factor * response-time-of-website
,其中的因子略有不同,但始终是>;1。这意味着,根据这个公式,延迟时间通常也会大于1秒,我甚至听说过30左右的因素,这意味着延迟时间可能是15秒或更长。在相关问题 更多 >
编程相关推荐