python3+Scrapy：爬虫框架问题合集【参考转载大佬文章 + 自己解决方法】

news2024/10/3 6:33:59

1、发送请求403报错排查

参考链接链接: 使用scrapy做爬虫遇到的一些坑：爬虫使用scrapy爬取网页返回403错误大全以及解决方案
参考链接链接: 使用scrapy做爬虫遇到的一些坑：网站常用的反爬虫策略，如何机智的躲过反爬虫Crawled (403)
参考链接链接: 如何查看scrapy 爬取过程中的报错（附解决方法及运行结果解读）

2、使用selenium登陆网页获取cookie

3、同一个网站，同一个请求头，request可以成功，scrapy却不行

在这里插入图片描述

我自己的试过所有方法都不行，最后在scrapy中请求，host放到第一个就可以了

4、报错：[scrapy.core.scraper] ERROR: Spider must return request, item, or None, got ‘str’ in <GET https://XXX>

在这里插入图片描述

上一个函数中使用了：yield关键字，回调函数是下一个get_page_urls函数，则在get_page_urls中的return返回的类型必须是：请求、item、None这3个类型，其他类型会报错，一开始我返回的一个列表报错，改了之后就好了

5、重写start_requests方法，传入自定义header和cookie

6、vscode多个快捷键重合

因为安装了推荐的Notepad++ keymap扩展，卸载就可以了
在这里插入图片描述

7。报错：too many values to unpack (expected 2)

在这里插入图片描述
自己改了data字符为列表，在请求中没有更改，报错

8、使用yield提交item数据，数据重复，错乱，不正确- 使用深度复制

参考下面博主方法即可：使用深度复制

参考链接: 提莫_：scrapy里面item传递数据后数据不正确的问题

import copy

yield copy.deepcopy(item)

在这里插入图片描述

引入copy模块，改为深复制即可，在这里插入图片描述

9、python代码获取正常windows路径，打包exe后在windows环境下获取工作目录路径为C:\Users\用户名\AppData\Local\Temp…

参考链接: python获取工作目录路径为C:\Users\用户名\AppData\Local\Temp…解决方案
参考链接: python获取windows路径_python在windows环境下获取工作目录路径为C:\Users\用户名\AppData\Local\Temp…

以下两句代码都可以：

import sys, os

print (os.path.dirname(os.path.realpath(sys.argv[0])))
print (os.path.dirname(os.path.abspath(__file__)) )

在这里插入图片描述

10、scrapy中取消所有日志打印、不影响代码运行的提醒

1、scrapy运行日志

在setting.cfg文件中更改日志级别

# 屏蔽log日志
LOG_LEVEL="WARNING"

在这里插入图片描述

2、selenium在cmd运行提示设备连接失败：DevTools listening on ### USB: usb_device_handle_win.cc:1046 Failed to read descriptor from node connection: 连到系统上的设备没有发挥作用。

参考链接: 记录一个selenium和scrapy 框架一起使用出错的记录,以及解决它的方法

# 配置选项
options = webdriver.ChromeOptions()
# 忽略证书错误
options.add_argument('--ignore-certificate-errors')
# 忽略 Bluetooth: bluetooth_adapter_winrt.cc:1075 Getting Default Adapter failed. 错误
options.add_experimental_option('excludeSwitches', ['enable-automation'])
# 忽略 DevTools listening on ws://127.0.0.1... 提示
options.add_experimental_option('excludeSwitches', ['enable-logging'])
driver = webdriver.Chrome(options=options)

在这里插入图片描述

3、requests使用verify=false，运行提示：

InsecureRequestWarning: Unverified HTTPS request is being made to host ‘www.dytt89.com‘

参考链接: requests.exceptions.SSLError 请求异常，SSL错误，证书认证失败问题解决
参考链接: 【解决】InsecureRequestWarning: Unverified HTTPS request is being made to host ‘www.dytt89.com‘

代码：

import requests
requests.packages.urllib3.disable_warnings() #取消证书的验证verify=False问题警告信息

4、运行scrapy会有警告日志：[py.warnings] WARNING: C:\Python311\Lib\site-packages\scrapy\selector\unified.py:83: UserWarning: Selector got both text and root, root is being ignored.

参考链接： Python之warnings模块忽略warning警告错误
使用代码：

import warnings
warnings.filterwarnings("ignore") #去除不影响程序运行的警告

在这里插入图片描述

11、解决selenium正常进入抖音没问题，headless无头模式报错的问题

参考链接: 解决selenium正常进入抖音没问题，headless无头模式报错的问题

在options中添加用户头即可

#防止有的元素在无头模式下无法操作，加入谷歌浏览器的user-agent信息,版本信息不能超过驱动的版本，否则无头模式会报错
chrome_options.add_argument("User-Agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like