Я хочу загрузить содержимое https://en.wikinews.org/w/index.php?title=Category: Politics_and_conflicts & from = F
Я могу загрузить его с других страниц, таких как https://en.wikinews.org/wiki/Category: Politics_and_conflicts
Я новичок в области терапии и не понимаю, почему я не могу использовать первую ссылку. Ниже мой код:
import scrapy
import string
from urllib.parse import urljoin
class Test4Spider(scrapy.Spider):
name = "test4"
start_urls = [
"https://en.wikinews.org/w/index.php?title=Category:Politics_and_conflicts&from=F",
# "https://en.wikinews.org/wiki/Category:Politics_and_conflicts",
]
def parse(self, response):
filename = "outfile.html"
with open(filename, 'wb') as f:
f.write(response.body)
Ниже вывод терминала при использовании первой ссылки, которая не работает
[daniel@C940-Manjaro DS_5]$ scrapy crawl test4
2020-04-02 19:32:19 [scrapy.utils.log] INFO: Scrapy 2.0.1 started (bot: DS_5)
2020-04-02 19:32:19 [scrapy.utils.log] INFO: Versions: lxml 4.5.0.0, libxml2 2.9.10, cssselect 1.1.0, parsel 1.5.2, w3lib 1.21.0, Twisted 20.3.0, Python 3.7.7 (default, Mar 26 2020, 15:48:22) - [GCC 7.3.0], pyOpenSSL 19.1.0 (OpenSSL 1.1.1f 31 Mar 2020), cryptography 2.8, Platform Linux-5.4.28-1-MANJARO-x86_64-with-arch-Manjaro-Linux
2020-04-02 19:32:19 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.epollreactor.EPollReactor
2020-04-02 19:32:19 [scrapy.crawler] INFO: Overridden settings:
{'BOT_NAME': 'DS_5',
'NEWSPIDER_MODULE': 'DS_5.spiders',
'ROBOTSTXT_OBEY': True,
'SPIDER_MODULES': ['DS_5.spiders']}
2020-04-02 19:32:19 [scrapy.extensions.telnet] INFO: Telnet Password: 3ce30513a5d7ab4e
2020-04-02 19:32:19 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
'scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.memusage.MemoryUsage',
'scrapy.extensions.logstats.LogStats']
2020-04-02 19:32:19 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
'scrapy.downloadermiddlewares.retry.RetryMiddleware',
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
2020-04-02 19:32:19 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
'scrapy.spidermiddlewares.referer.RefererMiddleware',
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
'scrapy.spidermiddlewares.depth.DepthMiddleware']
2020-04-02 19:32:19 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2020-04-02 19:32:19 [scrapy.core.engine] INFO: Spider opened
2020-04-02 19:32:19 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2020-04-02 19:32:19 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6024
2020-04-02 19:32:19 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://en.wikinews.org/robots.txt> (referer: None)
2020-04-02 19:32:19 [scrapy.downloadermiddlewares.robotstxt] DEBUG: Forbidden by robots.txt: <GET https://en.wikinews.org/w/index.php?title=Category:Politics_and_conflicts&from=F>
2020-04-02 19:32:19 [scrapy.core.engine] INFO: Closing spider (finished)
2020-04-02 19:32:19 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/exception_count': 1,
'downloader/exception_type_count/scrapy.exceptions.IgnoreRequest': 1,
'downloader/request_bytes': 225,
'downloader/request_count': 1,
'downloader/request_method_count/GET': 1,
'downloader/response_bytes': 5176,
'downloader/response_count': 1,
'downloader/response_status_count/200': 1,
'elapsed_time_seconds': 0.340545,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2020, 4, 2, 17, 32, 19, 856792),
'log_count/DEBUG': 2,
'log_count/INFO': 10,
'memusage/max': 55091200,
'memusage/startup': 55091200,
'response_received_count': 1,
'robotstxt/forbidden': 1,
'robotstxt/request_count': 1,
'robotstxt/response_count': 1,
'robotstxt/response_status_count/200': 1,
'scheduler/dequeued': 1,
'scheduler/dequeued/memory': 1,
'scheduler/enqueued': 1,
'scheduler/enqueued/memory': 1,
'start_time': datetime.datetime(2020, 4, 2, 17, 32, 19, 516247)}
2020-04-02 19:32:19 [scrapy.core.engine] INFO: Spider closed (finished)
[daniel@C940-Manjaro DS_5]$
Моя общая цель - очистить содержимое всех статей с заданным стартовая буква, и я думаю, что мой код для этого должен быть несколько готов. Кажется, я просто не могу его использовать, потому что не могу почистить некоторые страницы на https://en.wikinews.org
Если есть что-то, что я должен изменить или предоставить, чтобы облегчить ответ, пожалуйста, дайте мне я знаю и спасибо заранее.