如何在scrapy中使用CrawlSpider处理http错误代码

Question

我尝试使用scrapy测试一些网站及其子网站的http返回代码，resp来检测400和500范围内的错误。然而另外，我也希望看到和处理300范围内的代码。我已经试了好几天，检查了文件，但是我卡住了，没有找到解决办法。谢谢你的帮助！在

下面你会看到我用爬行蜘蛛创建的蜘蛛。目标是在parse_item（）函数中查看/捕捉错误范围内的http响应。我已将handle_httpstatus_all=True添加到设置.py但是除了HTTP_STATUS=200之外，parse_项中没有其他内容。在

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

当谈到为什么没有错误代码被传递的原因时，我很可能遗漏了一些基本的东西。在

Answer 1

标记handle_httpstatus_all应该在每个请求的meta中设置，请检查文档here。在

关于设置，您可以使用HTTPERROR_ALLOW_ALL或设置{}的列表。在

像这样：

class IcrawlerSpider(CrawlSpider):
    name = 'icrawler'
    custom_settings = {'HTTPERROR_ALLOW_ALL': True}

或者重构蜘蛛来调用请求，比如yield Request(link, self.parse_item, meta={'handle_httpstatus_all': True}) 我不知道如何将元参数应用于规则。在

Answer 2

如果需要使用规则来执行此操作，则可以通过提供process_request回调来修改生成的请求。以下是总结：

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

引用documentation和example。在