抓取 scribd.com 的document 页面

关于 scribd.com

scribd.com 这样描述自己：“直达源头。任何主题的专业知识，以及您在别处找不到的答案。全球文档之家，超过 3 亿份且不断增加”。

其首页声明了 9 种语言：en, es, pt, de, fr, ru, it, ro, id。

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：98.9%。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；99.8% 的成功调用使用了 JavaScript 令牌，响应中位时间为 23.9s。

在 Cookbook 的 3 个图书音频站点中，scribd.com 按成功率排在第 3 位（共 3 个）；类别中位数为 99.4%。 其响应中位时间 23.9s 慢于类别中位数 10.0s。 3 个站点中有 1 个接受普通令牌；这个站点需要 JavaScript 令牌。

调用

商品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商品 URL。

curl "https://api.crawlbase.com/?token=YOUR_JS_TOKEN&url=https%3A%2F%2Fwww.scribd.com%2Fdocument%2F1234567%2Fexample-page"

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

r = api.get('https://www.scribd.com/document/1234567/example-page')
html = r['body']

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

const r = await api.get('https://www.scribd.com/document/1234567/example-page');

关键参数

各账户抓取的 URL 模式

你能得到的字段

Crawlbase 在 scribd.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: WebSite, Organization
• 其他: MediaObject

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

刷新目录就是一份商品 URL 列表。把它连同回调推送到 Crawler，让它控制调用节奏并重试站点拒绝的请求，然后从 Cloud Storage 读取结果。该站点的响应中位时间为 23.9s。

常见问题

scribd.com 上的其他页面

scribd.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。