web-scraping - Scrapy Shell：虽然设置了 USER_AGENT，但 twisted.internet.error.ConnectionLost

Question

当我尝试抓取某个网站（同时使用蜘蛛和 shell）时，我收到以下错误：

twisted.web._newclient.ResponseNeverReceived: [<twisted.python.failure.Failure twisted.internet.error.ConnectionLost: Connection to the other side was lost in a non-clean fashion.>]

我发现当没有设置用户代理时，可能会发生这种情况。但是手动设置后，我仍然遇到同样的错误。

你可以在这里看到scrapy shell的全部输出：http: //pastebin.com/ZFJZ2UXe

笔记：

我不在代理后面，我可以通过scrapy shell访问其他站点而不会出现问题。我也可以使用 Chrome 访问该站点，因此这不是网络或连接问题。

也许有人可以给我一个提示，我该如何解决这个问题？

Answer 1

这是 100% 的工作代码。

您需要做的是还必须发送请求标头。

也设置ROBOTSTXT_OBEY = False在settings.py

# -*- coding: utf-8 -*-
import scrapy, logging
from scrapy.http.request import Request

class Test1SpiderSpider(scrapy.Spider):
    name = "test1_spider"

    def start_requests(self):

        headers = {
            "Host": "www.firmenabc.at",
            "Connection": "keep-alive",
            "Cache-Control": "max-age=0",
            "Upgrade-Insecure-Requests": "1",
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36",
            "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
            "DNT": "1",
            "Accept-Encoding": "gzip, deflate, sdch",
            "Accept-Language":"en-US,en;q=0.8"
        }

        yield Request(url= 'http://www.firmenabc.at/result.aspx?what=&where=Graz', callback=self.parse_detail_page, headers=headers)

    def parse_detail_page(self, response):
        logging.info(response.body)

编辑：

您可以通过检查开发工具中的 URL 来查看要发送的标头