抓取 sfchronicle.com 的sports 页面

关于 sfchronicle.com

sfchronicle.com 这样描述自己：“湾区和旧金山独家突发新闻、体育、科技、美食和葡萄酒报道，以及对巨人队、49 人队和勇士队的深度报道”。

其站点地图在 19 个文件中列出了 1,567 个 URL（16140000-16145000, 16380000-16385000, 18000000-18005000, 18365000-18370000, 18380000-18385000, 18395000-18400000）。 在 1,567 条带日期的条目中，有 1 条在最近 30 天内发生变化，最新一条在 2026年8月31日。

其 robots.txt 指定了 4 个站点地图，并禁止 11 个路径，其中包括 /api, /adtest, /search。

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：99.7%。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；17.8% 的成功调用使用了 JavaScript 令牌，响应中位时间为 2.1s。

在 Cookbook 的 74 个新闻媒体站点中，sfchronicle.com 按成功率排在第 21 位（共 74 个）；类别中位数为 98.9%。 其响应中位时间 2.1s 与类别中位数 2.3s 相当。 74 个站点中有 58 个接受普通令牌；这个站点只在部分页面接受。

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.sfchronicle.com%2Fsports"

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

r = api.get('https://www.sfchronicle.com/sports')
html = r['body']

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

const r = await api.get('https://www.sfchronicle.com/sports');

关键参数

各账户抓取的 URL 模式

你能得到的字段

Crawlbase 在 sfchronicle.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, WebSite
• 文章: NewsArticle, WebPage

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 2.1s。

常见问题

sfchronicle.com 上的其他页面

sfchronicle.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。