【发布时间】:2015-10-06 12:07:55
【问题描述】:
我想知道是否可以在实际处理页面之前使用 scrapy Request 检查 url 的有效性(url 事先不知道,但可以测试它们出现的不同模式)。
失败的示例代码如下。
(为简单起见,使用了 reties 变量,测试条件也可以是 s.th like
if response.code != 200
)
代码失败,因为在第二个回调 (parse_page_2) 结束时,即使发出新请求,控制也不会返回到第一个回调 (parse_page_1),回调为 parse_page_1。
为什么会这样?
我知道urllib2 - 基于here 的解决方案,只是检查这是否可以在scrapy 上下文中严格完成。
import scrapy
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors import LinkExtractor
from scrapy.http import Request
class MySpider(CrawlSpider):
name = 'alexa'
allowed_domains = ['alexa.com']
start_urls = ['http://www.alexa.com']
retries = 0
rules = (
# Extract links matching 'category.php' (but not matching 'subsection.php')
# and follow links from them (since no callback means follow=True by default).
# Rule(LinkExtractor(allow=('topsites', ))),
# Extract links matching 'item.php' and parse them with the spider's method parse_item
Rule(LinkExtractor(allow=('topsites', )), callback='parse_page1'),
)
def parse_page1(self, response):
if self.retries < 5:
self.retries += 1
print 'Retries in 1: ', self.retries
return scrapy.Request("http://www.alexa.com/siteieekeknfo/google.com",
meta={'dont_merge_cookies': True,
'dont_redirect': False,
"handle_httpstatus_list": [301, 302, 303, 404]},
callback=self.parse_page2)
else:
print "Finished in 1"
def parse_page2(self, response):
if self.retries < 5:
self.retries += 1
print 'Retries in 2: ', self.retries
return scrapy.Request("http://www.alexa.com/siteieekeknfo/google.com",
meta={'dont_merge_cookies': True,
'dont_redirect': False,
"handle_httpstatus_list": [301, 302, 303, 404]},
callback=self.parse_page1)
else:
print "Finished in 2"
抓取结果粘贴here。
【问题讨论】:
-
您可能使用了错误的蜘蛛。尝试 spiders.Spider 并直接从 start_requests 生成,因为您已经知道您的 url。 scrapy.readthedocs.org/en/latest/topics/…