我正在尝试获取带有刮擦和刮擦飞溅的请求状态代码,下面是蜘蛛代码。
class Exp10itSpider(scrapy.Spider):
name = "exp10it"
def start_requests(self):
urls = [
'http://192.168.8.240:8000/xxxx'
]
for url in urls:
#yield SplashRequest(url, self.parse, args={'wait': 0.5, 'dont_redirect': True},meta={'handle_httpstatus_all': True})
#yield scrapy.Request(url, self.parse, meta={'handle_httpstatus_all': True})
yield scrapy.Request(url, self.parse, meta={'handle_httpstatus_all': True,'splash': {
'args': {
'html': 1,
'png': 1,
}
}
}
)
def parse(self, response):
input("start .........")
print("status code is:n")
input(response.status)
我的起始网址http://192.168.8.240:8000/xxxx
是404状态码网址,有三种请求方式:
第一个是:
yield SplashRequest(url, self.parse, args={'wait': 0.5, 'dont_redirect': True},meta={'handle_httpstatus_all': True})
二是:
yield scrapy.Request(url, self.parse, meta={'handle_httpstatus_all': True})
第三个是:
yield scrapy.Request(url, self.parse, meta={'handle_httpstatus_all': True,'splash': {
'args': {
'html': 1,
'png': 1,
}
}
}
)
只有第二种请求方式yield scrapy.Request(url, self.parse, meta={'handle_httpstatus_all': True})
才能404
获得正确的状态码,第一种和第三种都得到状态码200
,也就是说,在我尝试使用刮擦飞溅后,我无法获得正确的状态码404
,你能帮我吗?
正如scrapy-splash
的文档所建议的那样,您必须将magic_response=True
传递给SplashRequest
才能实现此目的:
meta['splash']['http_status_from_error_code']
- 当assert(splash:go(..))
失败时,将response.status
设置为 HTTP 错误代码;它需要meta['splash']['magic_response']=True
。 如果您使用原始元 API,则默认情况下http_status_from_error_code
False
选项; 默认情况下,SplashRequest
将其设置为True
。
编辑:不过,我只能让它与execute
端点一起工作。以下是使用 httpbin.org 测试 HTTP 状态代码的示例爬虫:
# -*- coding: utf-8 -*-
import scrapy
import scrapy_splash
class HttpStatusSpider(scrapy.Spider):
name = 'httpstatus'
lua_script = """
function main(splash, args)
assert(splash:go(args.url))
assert(splash:wait(0.5))
return {
html = splash:html(),
png = splash:png(),
}
end
"""
def start_requests(self):
yield scrapy_splash.SplashRequest(
'https://httpbin.org/status/402', self.parse,
endpoint='execute',
magic_response=True,
meta={'handle_httpstatus_all': True},
args={'lua_source': self.lua_script})
def parse(self, response):
pass
它将HTTP 402状态代码传递给Scrapy,从输出中可以看出:
...
2017-10-23 08:41:31 [scrapy.core.engine] DEBUG: Crawled (402) <GET https://httpbin.org/status/402 via http://localhost:8050/execute> (referer: None)
...
您也可以尝试使用其他 HTTP 状态代码。