我尝试使用启动脚本(在单个响应中,如文档中)返回多个html页面并从中提取链接。但我发现在response.text和response.body中,只要返回多个页面,html内容就会被更改。这不是response.data的情况,它工作正常。为什么会这样?
我在与文档http://splash.readthedocs.io/en/stable/scripting-ref.html#splash-html相同的代码(和网站)上尝试了这一点(来自后面部分,来自多个html快照的示例)
这是我的启动请求 - >
yield Request(url= url, callback= self.parse, dont_filter=True, meta={
'splash': {
'args': {'lua_source': self.lua_source, 'timeout': 200},
'endpoint': 'execute',
},
})
lua脚本看起来像这样 - >
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
由此产生的回应:
response.data - >
{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>
response.text和response.body - &gt;
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>
注意第二种情况下的额外\ \。这些可能是转义字符或其他东西,但它们会使用使用response.text的LinkExtractor,并导致链接断开。同样,只有在我返回一组html响应时才会发生这种情况。 我在这里缺少什么?
答案 0 :(得分:0)
Lua脚本返回一个结果数组,它将被转换为Python中与JSON兼容的结构。 response.text
中的值似乎是正确的。
您要传递给LinkExtractor
的HTML位于json.loads(response.text)[i]['html']
,而i
位于0..2
。
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>