使用scrapy爬取知乎信息的时候,运行爬虫出错,错误信息是‘Forbidden by robots.txt’。然后在settings里面加入了cookie和headers信息还是不行。但是直接用urllib.request请求发现页面都能直接请求成功。
于是上网查了一下robot.txt是什么才知道有这么回事,看一下scrapy抓包时的输出可以发现,在请求设定的url之前,它会先向服务器根目录请求一个txt文件:
2017-10-25 21:10:22 [scrapy] DEBUG: Crawled (200) <GET https://item.taobao.com/robots.txt> (referer: None)
这个文件中规定了本站点允许的爬虫机器爬取的范围,因为默认scrapy遵守robot协议,所以会先请求这个文件查看自己的权限,出错是因为使用的爬虫爬取内容违背这个robot.txt。所以只要让爬虫不遵守该协议就好了,具体做法是找到settings文件里的ROBOTSTXT_OBEY设置成False。
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
scrapy爬虫出现‘Forbidden by robots.txt’错误
最新推荐文章于 2022-02-12 15:11:30 发布