抓取 theguardian.com 的business 页面
今天能从 theguardian.com 返回business 页面的调用，以及自 2026年8月14日 起从请求日志读出的参数、模式和失败情形。 最近测试于 2026年9月6日。
成功率 99.8% · 2026年8月28% 的调用使用浏览器标准价格 · 1 积分
关于 theguardian.com
theguardian.com 这样描述自己：“来自 Guardian 的最新国际新闻、体育和评论”。
其站点地图在 2 个文件中列出了 374 个 URL（news, video）。 在 374 条带日期的条目中，有 374 条在最近 30 天内发生变化，最新一条在 2026年9月6日。
其 robots.txt 指定了 2 个站点地图，并禁止 12 个路径，其中包括 /sendarticle/, /users/, /email/。
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：99.8%。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；27.9% 的成功调用使用了 JavaScript 令牌，响应中位时间为 4.8s。
在 Cookbook 的 74 个新闻媒体站点中，theguardian.com 按成功率排在第 16 位（共 74 个）；类别中位数为 98.9%。 其响应中位时间 4.8s 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.theguardian.com%2Fbusiness%2F1234567%2Fexample-page"from crawlbase import CrawlingAPI api = CrawlingAPI({'token': 'YOUR_TOKEN'}) r = api.get('https://www.theguardian.com/business/1234567/example-page') html = r['body']
const { CrawlingAPI } = require('crawlbase'); const api = new CrawlingAPI({ token: 'YOUR_TOKEN' }); const r = await api.get('https://www.theguardian.com/business/1234567/example-page');
关键参数
| 参数 | 设置为 | 原因 |
|---|---|---|
country | 不设置 | 大多数成功调用未设置 country（88.0%），成功率为 100%。 |
javascript | 不设置 | 普通令牌调用的成功率为 100%，JavaScript 令牌调用为 99.6%。两者都可用；先不用浏览器，再按下表所示的 URL 模式逐一切换。 |
各账户抓取的 URL 模式
| 模式 | 成功占比 | JavaScript 令牌 | Country | 查询参数 |
|---|---|---|---|---|
/business/{id}/{slug} | 12.3% | 0.0% | 无 | 无 |
/world/{id}/{slug} | 11.5% | 4.3% | 无 | 无 |
/us-news/{id}/{slug} | 10.5% | 4.8% | 无 | 无 |
/technology/{id}/{slug} | 7.5% | 6.7% | 无 | 无 |
/football/{id}/{slug} | 6.0% | 66.7% | 无 | 无 |
/football/{slug}/{id} | 5.5% | 95.5% | 无 | page |
/australia-news/{id}/{slug} | 5.0% | 0.0% | 无 | 无 |
/{slug}/{id}/{slug} | 3.5% | 7.1% | 无 | 无 |
你能得到的字段
Crawlbase 在 theguardian.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：
- 详情页:
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：
591：占失败的 100% 5xx 是站点自身故障，不是抓取的问题。一分钟后重试。
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 4.8s。
常见问题
抓取 theguardian.com 需要浏览器吗？
视页面而定。普通令牌调用的成功率为 100%，JavaScript 令牌调用为 99.6%；URL 模式表显示了各账户用浏览器抓取哪些路径。
在 Crawlbase 上抓取一个 theguardian.com 页面要多少钱？
不用浏览器时为 1 积分。theguardian.com 属于标准等级。
抓取 theguardian.com 应该设置哪个 country？
不需要：大多数成功调用未设置它。
theguardian.com 上的其他页面
theguardian.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。
| 页面 | 示例 | 令牌 | 国家 | 中位数 |
|---|---|---|---|---|
首页/ | theguardian.com/ | 普通 | 无 | 4.6s |
详情页/{slug}/video/{id}结构化数据：NewsArticle, WebPage | 无 | 普通 | 无 | 2.1s |
站点名称用于标识配方抓取的页面。Crawlbase 与所列任何站点均无关联。请在以下范围内使用配方： 可接受使用政策.数据测自 2026年8月，每月更新