在爬虫多次请求时,有些网站会出现反爬虫措施:将请求链接重定向到一个提示404的链接或者验证码链接等阻止爬虫的进行,如下为解决方案:
def start_requests(self):
for i in self.start_urls:
yield Request(i, meta={
'dont_redirect': True,
'handle_httpstatus_list': [302]
}, callback=self.parse)
# 'dont_redirect': True是禁止重定向
# Request.meta 中的 handle_httpstatus_list 键可以用来指定每个request所允许的response code。
此外:
根据 HTTP标准 ,返回值为200-300之间的值为成功的resonse。
如果想处理在这个范围之外的response,可以通过 spider的 handle_httpstatus_list
属性或HTTPERROR_ALLOWED_CODES
设置来指定spider能处理的response返回值。
例如,如果想要处理返回值为404的response可以这么做:
class MySpider(CrawlSpider):
handle_httpstatus_list = [404]