我正在尝试使用scrapy来测试一些网站及其子网站的http返回码,以及检测400和500范围内的错误。不过我还想看到并处理300范围内的代码。我已经尝试了几天并检查文档,但是我被困住了,没有找到解决方案。谢谢你的帮助!
下面你将看到我使用CrawlSpider创建的蜘蛛。目标是在我的parse_item()函数中查看/捕获错误范围内的http响应。我已经在settings.py中添加了handle_httpstatus_all = True,但是除了HTTP_STATUS = 200之外什么都没有进入parse_item。
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapy import log
class IcrawlerSpider(CrawlSpider):
name = 'icrawler'
def __init__(self, *args, **kwargs):
# We are going to pass these args from our django view.
# To make everything dynamic, we need to override them inside__init__method
handle_httpstatus_all = True
self.url = kwargs.get('url')
self.domain = kwargs.get('domain')
self.start_urls = [self.url]
self.allowed_domains = [self.domain]
IcrawlerSpider.rules = [
Rule(LinkExtractor(unique=True), callback='parse_item'),
]
super(IcrawlerSpider, self).__init__(*args, **kwargs)
def parse_item(self, response):
# You can tweak each crawled page here
# Don't forget to return an object.
if response.status==403:
self.logger.errror("ERROR_CODE_RETURNED: " + response.status)
i = {}
i['url'] = response.url
i['status_code'] = response.status
return i
最有可能的是,当涉及到没有错误代码被传递的原因时,我错过了一些基本的东西。
标志handle_httpstatus_all
应该在你的每个请求的meta
中设置,检查文档here。
关于设置,您可以使用HTTPERROR_ALLOW_ALL
或设置HTTPERROR_ALLOWED_CODES
列表。
像这样:
class IcrawlerSpider(CrawlSpider):
name = 'icrawler'
custom_settings = {'HTTPERROR_ALLOW_ALL': True}
或者重构你的蜘蛛来调用像yield Request(link, self.parse_item, meta={'handle_httpstatus_all': True})
这样的请求我不知道如何将meta参数应用于规则。
如果您需要使用规则执行此操作,则可以通过提供process_request
回调来修改生成的请求。这是一个总结:
class IcrawlerSpider(CrawlSpider):
def __init__(self, *args, **kwargs):
# ...
IcrawlerSpider.rules = [
Rule(LinkExtractor(unique=True), callback='parse_item', process_request='add_meta'),
]
def add_meta(self, request):
request.meta['handle_httpstatus_all'] = True
return request
请参阅documentation和example。