使用爬虫抓取 http 状态码

Question

我是scrapy的新手。我正在编写一个蜘蛛，旨在检查服务器状态代码的一长串 url，并在适当的情况下，它们被重定向到哪些 URL。重要的是，如果有一系列重定向，我需要知道每次跳转时的状态码和 url。我正在使用 response.meta['redirect_urls'] 来捕获 url，但不确定如何捕获状态代码 - 似乎没有响应元键。

我意识到我可能需要编写一些自定义中间件来公开这些值，但不太清楚如何记录每个跃点的状态代码，也不清楚如何从蜘蛛访问这些值。我看过但找不到任何人这样做的例子。如果有人能指出我正确的方向，将不胜感激。

例如，

    items = []
    item = RedirectItem()
    item['url'] = response.url
    item['redirected_urls'] = response.meta['redirect_urls']     
    item['status_codes'] = #????
    items.append(item)

编辑 - 根据 warawauk 的反馈和 IRC 频道 (freenode #scrappy) 上的人提供的一些非常主动的帮助，我设法做到了这一点。我认为这有点 hacky，所以欢迎任何改进的 cmets：

(1) 在设置中禁用默认中间件，添加自己的：

DOWNLOADER_MIDDLEWARES = {
    'scrapy.contrib.downloadermiddleware.redirect.RedirectMiddleware': None,
    'myproject.middlewares.CustomRedirectMiddleware': 100,
}

(2) 在你的 middlewares.py 中创建你的 CustomRedirectMiddleware。它继承自主重定向中间件类并捕获重定向：

class CustomRedirectMiddleware(RedirectMiddleware):
    """Handle redirection of requests based on response status and meta-refresh html tag"""

    def process_response(self, request, response, spider):
        #Get the redirect status codes
        request.meta.setdefault('redirect_status', []).append(response.status)
        if 'dont_redirect' in request.meta:
            return response
        if request.method.upper() == 'HEAD':
            if response.status in [301, 302, 303, 307] and 'Location' in response.headers:
                redirected_url = urljoin(request.url, response.headers['location'])
                redirected = request.replace(url=redirected_url)

                return self._redirect(redirected, request, spider, response.status)
            else:
                return response

        if response.status in [302, 303] and 'Location' in response.headers:
            redirected_url = urljoin(request.url, response.headers['location'])
            redirected = self._redirect_request_using_get(request, redirected_url)
            return self._redirect(redirected, request, spider, response.status)

        if response.status in [301, 307] and 'Location' in response.headers:
            redirected_url = urljoin(request.url, response.headers['location'])
            redirected = request.replace(url=redirected_url)
            return self._redirect(redirected, request, spider, response.status)

        if isinstance(response, HtmlResponse):
            interval, url = get_meta_refresh(response)
            if url and interval < self.max_metarefresh_delay:
                redirected = self._redirect_request_using_get(request, url)
                return self._redirect(redirected, request, spider, 'meta refresh')


        return response

(3) 您现在可以使用

访问蜘蛛中的重定向列表

request.meta['redirect_status']

Answer 1

KISS 解决方案：我认为最好添加严格的最少代码来捕获新的重定向字段，并让 RedirectMiddleware 完成其余的工作：

from scrapy.contrib.downloadermiddleware.redirect import RedirectMiddleware

class CustomRedirectMiddleware(RedirectMiddleware):
  """Handle redirection of requests based on response status and meta-refresh html tag"""

  def process_response(self, request, response, spider):
    #Get the redirect status codes
    request.meta.setdefault('redirect_status', []).append(response.status)
    response = super(CustomRedirectMiddleware, self).process_response(request, response, spider)
    return response

然后，继承 BaseSpider，您可以通过以下方式访问 redirect_status：

    def parse(self, response):
      item = ScrapyGoogleindexItem()
      item['redirections'] = response.meta.get('redirect_times', 0)
      item['redirect_status'] = response.meta['redirect_status']
      return item

Answer 2

response.meta['redirect_urls' 由RedirectMiddleware 填充。您的蜘蛛回调将永远不会在两者之间收到响应，只会在所有重定向之后收到最后一个响应。

如果你想控制进程，子类RedirectMiddleware，禁用原来的，启用你的。然后您可以控制重定向过程，包括跟踪响应状态。

这里是原始实现（scrapy.contrib.downloadermiddleware.redirect.RedirectMiddleware）：

class RedirectMiddleware(object):
    """Handle redirection of requests based on response status and meta-refresh html tag"""

    def _redirect(self, redirected, request, spider, reason):
        ...
            redirected.meta['redirect_urls'] = request.meta.get('redirect_urls', []) + \
                [request.url]

如您所见，从不同部分调用的 _redirect 方法会创建 meta['redirect_urls']

并且在process_response方法中调用了return self._redirect(redirected, request, spider, response.status)，意思是原始响应没有传递给蜘蛛。

Answer 3

我相信这是可用的

response.status

见http://doc.scrapy.org/en/0.14/topics/request-response.html#scrapy.http.Response