Splash 返回多个 html 快照的问题

Question

我正在尝试 return 多个 html 页面使用启动脚本（在单个响应中，如文档中所示）并从中提取链接。但我发现在 response.text 和 response.body 中，只要有超过一页 returned，html 内容就会被更改。 response.data 不是这种情况，它工作正常。为什么会这样？

我在与文档相同的代码（和网站）上进行了尝试- http://splash.readthedocs.io/en/stable/scripting-ref.html#splash-html（来自后面的部分，来自多个 html 快照的示例）

这是我的初始请求-->

 yield Request(url= url, callback= self.parse, dont_filter=True, meta={
     'splash': {
          'args': {'lua_source': self.lua_source, 'timeout': 200},
          'endpoint': 'execute',
       },
 })

lua 脚本如下所示 -->

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

结果响应：

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 -->

 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>

注意第二种情况下多出的\ \。这些可能是转义字符或其他东西，但它们与使用 response.text 的 LinkExtractor 混淆并导致链接断开。同样，这仅在我 returning 一组 html 响应时发生。我在这里错过了什么？

Answer 1

Lua 脚本正在返回一组结果，这些结果将被转换为 Python 中的 JSON 兼容结构。 response.text 中的值似乎是正确的。

您要传递给 LinkExtractor 的 HTML 在 json.loads(response.text)[i]['html']，因为 i 在 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>

Splash 返回多个 html 快照的问题

Issue with Splash returning multiple html snapshots

scrapy

scrapy-spider

scrapy-splash