抓取 justice.gov

关于 justice.gov

justice.gov 这样描述自己：“美国司法部 (DOJ) 官方网站。DOJ 的使命是依法执法并维护美国的利益；确保公共安全免受国内外威胁；在预防和控制犯罪方面发挥联邦领导作用；寻求……”。

其站点地图在 19 个文件中列出了 38,000 个 URL。 在 38,000 条带日期的条目中，有 158 条在最近 30 天内发生变化，最新一条在 2026年9月2日。

其 robots.txt 指定了 1 个站点地图，并禁止 12 个路径，其中包括 /core/, /profiles/, /admin/。 它要求爬虫在请求之间等待 10 秒。

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：97.2%。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；57.6% 的成功调用使用了 JavaScript 令牌，响应中位时间为 9.8s。

在 Cookbook 的 11 个公共数据站点中，justice.gov 按成功率排在第 6 位（共 11 个）；类别中位数为 97.2%。 其响应中位时间 9.8s 慢于类别中位数 2.3s。 11 个站点中有 5 个接受普通令牌；这个站点只在部分页面接受。

调用

各账户抓取最多的 URL 形态，配以最常成功的 country 和令牌。请将占位路径替换为该站点的真实路径。

curl "https://api.crawlbase.com/?token=YOUR_TOKEN&url=https%3A%2F%2Fwww.justice.gov%2F"

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

r = api.get('https://www.justice.gov/')
html = r['body']

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

const r = await api.get('https://www.justice.gov/');

关键参数

你能得到的字段

字段取决于页面类型。商品页通常带有 ld+json 块，包含名称、价格、货币和库存状态；文章页则有标题和正文。请检查你收到的第一个响应。

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

该站点的响应时间中位数为 9.8s。每天超过几千页时，请将 URL 列表连同回调推送到 Crawler；它会控制调用节奏，并重试站点拒绝的请求。

常见问题

justice.gov 上的其他页面

justice.gov 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。