如何在 scrapy 中使用 CrawlSpider 处理 http 错误代码

Question

我正在尝试使用 scrapy 来测试一些网站及其子网站的 http return 代码，以检测 400 和 500 范围内的错误。但是另外我还想查看和处理 300 范围内的代码。我已经尝试了好几天并检查了文档，但是我被卡住了，没有找到解决方案。感谢您的帮助！

接下来您将看到我使用 CrawlSpider 创建的蜘蛛。目标是在我的 parse_item() 函数的错误范围内 see/catch http 响应。我已将 handle_httpstatus_all = True 添加到 settings.py，但除了 HTTP_STATUS = 200 之外，parse_item 没有其他内容。

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

关于没有传递错误代码的原因，很可能我遗漏了一些基本知识。

Answer 1

应在每个请求的 meta 中设置标志 handle_httpstatus_all，请查看文档 here。

关于设置，你可以玩HTTPERROR_ALLOW_ALL或设置HTTPERROR_ALLOWED_CODES的列表。

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元参数应用于规则。

Answer 2

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。总结如下：

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

参考documentation and an example.

如何在 scrapy 中使用 CrawlSpider 处理 http 错误代码

How to handle http error codes using CrawlSpider in scrapy

python

http-error

scrapy