Scrapy Splash返回多个html快照时出现问题
我尝试使用splash脚本返回多个html页面(在一个响应中,如文档中所示),并从中提取链接。但是我发现在response.text和response.body中,只要返回了多个页面,html内容就会改变。response.data的情况并非如此,它工作正常。为什么会这样 我在与文档中相同的代码(和网站)上尝试了这一点-(来自后面的部分,来自多个html快照的示例) 这是我的启动请求--> lua脚本如下所示--> 结果是: response.data-->Scrapy Splash返回多个html快照时出现问题,scrapy,scrapy-spider,scrapy-splash,Scrapy,Scrapy Spider,Scrapy Splash,我尝试使用splash脚本返回多个html页面(在一个响应中,如文档中所示),并从中提取链接。但是我发现在response.text和response.body中,只要返回了多个页面,html内容就会改变。response.data的情况并非如此,它工作正常。为什么会这样 我在与文档中相同的代码(和网站)上尝试了这一点-(来自后面的部分,来自多个html快照的示例) 这是我的启动请求--> lua脚本如下所示--> 结果是: response.data--> {u'html':u'\n\n\n黑
{u'html':u'\n\n\n黑客新闻
response.text和response.body-->
u'[{“html”:“\\n\\n\\n黑客新闻
注意第二种情况下的额外\\。这些可能是转义字符或其他字符,但它们与使用response.text的LinkExtractor相混淆,导致链接中断。同样,只有在返回html响应数组时才会发生这种情况。
我在这里遗漏了什么?Lua脚本正在返回一个结果数组,该数组将被转换为Python中与JSON兼容的结构。
response.text
中的值似乎正确
要传递给LinkedExtractor
的HTML位于json.loads(response.text)[i]['HTML']
,用于0..2中的i
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>
[1]中的:导入json
在[2]中:text=u'[{“html”:“\\n\\n\\n黑客新闻”}”
在[3]中:打印(文本)
[{“html”:“\n\n\n黑客新闻”}]
在[4]中:打印(json.dumps(json.loads(text),indent=2))
[
{
“html”:“\n\n\n黑客新闻”
}
]
在[5]中:打印(json.loads(text)[0]['html'])
黑客新闻
你是个救命恩人!它工作得很好。不过,我必须先从html中构造一个“TextResponse”,然后再将它传递给LinkedExtractor(让它工作)。
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
{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>
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 [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>