问题背景
- 爬取网页的时候,我们有时会不知道网页的页码范围,如果超出了范围就会被重定向(302)
- 有时候我们会在意爬取数据的完整性,所以我们需要在页面获取失败时重爬(如404)
解决方案
302问题
在scrapy.Request()方法中有meta参数,通过这个参数我们可以对爬虫请求的行为进行进一步定制,详见官方文档的说明
scrapy对于302的默认行为是再次请求重定向后的地址并返回,在我遇到的情况中,重定向后会回到第一页,然而这是已经爬取过的数据了,因此我们不需要重定向:
scrapy.Request(url,
meta={
'dont_redirect': True,
'handle_httpstatus_list': [302]
}
)
这样scrapy再遇到302后就不会再次请求,而是返回包含302状态码的Response,然后我们只要在出现302的页面不爬取就行了:
def parse(self, response):
if response.status == 302:
return
404问题
scrapy中有一个retry中间件,但是默认它不会对404重试,
我们需要修改SETTING使得它能够支持404的重试:
RETRY_TIMES = 3
RETRY_HTTP_CODECS = [500, 502, 503, 504, 408, 404]
总结
scrapy功能十分强大,只有能够对其内部逻辑和组建功能更深了解,才能更好的驾驭