抓取 indianexpress.com 的section 页面

关于 indianexpress.com

indianexpress.com 这样描述自己：“获取今日最新新闻、突发新闻以及来自印度和世界各地的头条新闻更新。通过 The Indian Express 及时了解政治、商业、体育、娱乐等资讯”。

其首页声明了 4 种语言：en-in, en, en-us, en-ca。

其站点地图在 19 个文件中列出了 2,280 个 URL（news-sitemap, video-sitemap, category-sitemap, allsitemap, aboutsitemap1, aboutsitemap2）。 在 1,807 条带日期的条目中，有 418 条在最近 30 天内发生变化，最新一条在 2026年8月14日。

其 robots.txt 指定了 11 个站点地图，并禁止 12 个路径，其中包括 /wp-admin/, /dummy/, /homepage/。

基于 Crawlbase 测得

2026年8月 对每个账户的每个请求统计的成功率：99.1%。URL 模式、国家和失败情况来自自 2026年8月14日 起的请求日志；4.2% 的成功调用使用了 JavaScript 令牌，响应中位时间为 3.0s。

在 Cookbook 的 74 个新闻媒体站点中，indianexpress.com 按成功率排在第 35 位（共 74 个）；类别中位数为 98.9%。 其响应中位时间 3.0s 慢于类别中位数 2.3s。 74 个站点中有 58 个接受普通令牌，这个站点也在其中。

调用

文章页是各账户在此抓取最多的页面形态，附带最常成功的国家和令牌。请把占位路径换成站点上真实的文章 URL。

curl "https://api.crawlbase.com/?token=YOUR_TOKEN&url=https%3A%2F%2Fwww.indianexpress.com%2Fsection%2Fexample-page"

from crawlbase import CrawlingAPI
api = CrawlingAPI({'token': 'YOUR_TOKEN'})

r = api.get('https://www.indianexpress.com/section/example-page')
html = r['body']

const { CrawlingAPI } = require('crawlbase');
const api = new CrawlingAPI({ token: 'YOUR_TOKEN' });

const r = await api.get('https://www.indianexpress.com/section/example-page');

关键参数

各账户抓取的 URL 模式

你能得到的字段

Crawlbase 在 indianexpress.com 上找到的结构化数据，按页面类型列出。这些是页面中的 schema.org 类型，你的解析器可以直接从 JSON-LD 块中读取这些字段：

• 首页: WebPage, ViewAction, NewsMediaOrganization, SiteNavigationElement, WebSite
• 详情页: NewsMediaOrganization, NewsArticle, VideoObject, SiteNavigationElement, WebSite
• 列表页: WebPage, ViewAction, BreadcrumbList, ItemList, NewsMediaOrganization, SiteNavigationElement, WebSite
• 其他: WebPage, ViewAction, BreadcrumbList, ItemList, NewsMediaOrganization, SiteNavigationElement, WebSite

会出问题的地方及修复方法

自 2026年8月14日 以来的失败中，站点的响应为：

定时运行

新闻按小时变化。轮询栏目或站点地图获取新链接，然后把文章 URL 连同回调推送到 Crawler，让抓取按节奏进行。该站点的响应中位时间为 3.0s。

常见问题

indianexpress.com 上的其他页面

indianexpress.com 在自己的站点地图中列出的页面，由 Crawlbase 于 2026年9月6日 抓取，并在连续 2 次运行中得到验证。每一行都是返回该页面及其内容的最便宜调用。