抓取 refinery29.com 的文章

关于 refinery29.com

refinery29.com 这样描述自己：“风格与内涵交汇之处：每日时尚、娱乐、新闻和健康资讯”。

其首页声明了 5 种语言：en-au, fr, en-ca, de, en-gb。

其站点地图在 19 个文件中列出了 567 个 URL。 在 567 条带日期的条目中，有 514 条在最近 30 天内发生变化，最新一条在 2026年8月26日。

其 robots.txt 指定了 1 个站点地图，并禁止 12 个路径，其中包括 /api/, /shops/, /sweeps/。 它要求爬虫在请求之间等待 1 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：99.9%。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；0.0% 的成功调用使用了 JavaScript 令牌，响应中位时间为 5.7s。

在 Cookbook 的 74 个新闻媒体站点中，refinery29.com 按成功率排在第 14 位（共 74 个）；类别中位数为 98.9%。 其响应中位时间 5.7s 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.refinery29.com%2Fen-us%2Fkitten-scents"

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

r = api.get('https://www.refinery29.com/en-us/kitten-scents')
html = r['body']

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

const r = await api.get('https://www.refinery29.com/en-us/kitten-scents');

关键参数

各账户抓取的 URL 模式

你能得到的字段

Crawlbase 在 refinery29.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: Organization, WebPage, WebSite
• 详情页: WebPage, WebSite, ImageObject, Product
• 其他: WebPage, WebSite, Article, BreadcrumbList, ImageObject, Person, Product

会出问题的地方及修复方法

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 5.7s。

常见问题

refinery29.com 上的其他页面

refinery29.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。