Python 使用scrapy刮取雅虎群时出现问题

我对网页抓取还不熟悉，刚刚开始尝试一个用Python编写的抓取框架。我的目标是清理一个旧的Yahoo组，因为他们不提供API或任何其他方法来检索消息存档。Yahoo组设置为您必须先登录才能查看归档文件

我认为我需要完成的步骤是：

登录雅虎

访问第一条消息的URL并将其删除

对下一条消息重复步骤2，以此类推

我开始制作一只粗糙的蜘蛛来完成上面的工作，这是我到目前为止所做的。我想观察的是，登录工作正常，我能够检索到第一条消息。一旦我完成了这么多工作，我会完成剩下的工作：

class Sg101Spider(BaseSpider):
    name = "sg101"
    msg_id = 1              # current message to retrieve
    max_msg_id = 21399      # last message to retrieve

    def start_requests(self):
        return [FormRequest(LOGIN_URL,
            formdata={'login': LOGIN, 'passwd': PASSWORD},
            callback=self.logged_in)]

    def logged_in(self, response):
        if response.url == 'http://my.yahoo.com':
            self.log("Successfully logged in. Now requesting 1st message.")
            return Request(MSG_URL % self.msg_id, callback=self.parse_msg,
                    errback=self.error)
        else:
            self.log("Login failed.")

    def parse_msg(self, response):
        self.log("Got message!")
        print response.body

    def error(self, failure):
        self.log("I haz an error")

但当我运行spider时，我看到它登录并发出第一条消息的请求。然而，我在scrapy的调试输出中看到的只是3个重定向，最终到达了我最初要求的URL。但是scrapy没有调用my

parse_msg（）

callback，爬行停止。下面是scrapy输出的一个片段：

2011-02-03 19:50:10-0600 [sg101] INFO: Spider opened
2011-02-03 19:50:10-0600 [sg101] DEBUG: Redirecting (302) to <GET https://login.yahoo.com/config/verify?.done=http%3a//my.yahoo.com> from <POST https://login.yahoo.com/config/login>
2011-02-03 19:50:10-0600 [sg101] DEBUG: Redirecting (meta refresh) to <GET http://my.yahoo.com> from <GET https://login.yahoo.com/config/verify?.done=http%3a//my.yahoo.com>
2011-02-03 19:50:12-0600 [sg101] DEBUG: Crawled (200) <GET http://my.yahoo.com> (referer: None)
2011-02-03 19:50:12-0600 [sg101] DEBUG: Successfully logged in. Now requesting 1st message.
2011-02-03 19:50:12-0600 [sg101] DEBUG: Redirecting (302) to <GET http://launch.groups.yahoo.com/group/MyYahooGroup/auth?done=http%3A%2F%2Flaunch.groups.yahoo.com%2Fgroup%2FMyYahooGroup%2Fmessage%2F1> from <GET http://launch.groups.yahoo.com/group/MyYahooGroup/message/1>
2011-02-03 19:50:12-0600 [sg101] DEBUG: Redirecting (302) to <GET http://launch.groups.yahoo.com/group/MyYahooGroup/auth?check=G&done=http%3A%2F%2Flaunch%2Egroups%2Eyahoo%2Ecom%2Fgroup%2FMyYahooGroup%2Fmessage%2F1> from <GET http://launch.groups.yahoo.com/group/MyYahooGroup/auth?done=http%3A%2F%2Flaunch.groups.yahoo.com%2Fgroup%2FMyYahooGroup%2Fmessage%2F1>
2011-02-03 19:50:13-0600 [sg101] DEBUG: Redirecting (302) to <GET http://launch.groups.yahoo.com/group/MyYahooGroup/message/1> from <GET http://launch.groups.yahoo.com/group/MyYahooGroup/auth?check=G&done=http%3A%2F%2Flaunch%2Egroups%2Eyahoo%2Ecom%2Fgroup%2FMyYahooGroup%2Fmessage%2F1>
2011-02-03 19:50:13-0600 [sg101] INFO: Closing spider (finished)
2011-02-03 19:50:13-0600 [sg101] INFO: Spider closed (finished)

2011-02-03 19:50:10-0600[sg101]信息：蜘蛛网已打开
2011-02-03 19:50:10-0600[sg101]调试：重定向（302）到
2011-02-03 19:50:10-0600[sg101]调试：重定向（元刷新）到
2011-02-03 19:50:12-0600[sg101]调试：爬网（200）（参考：无）
2011-02-03 19:50:12-0600[sg101]调试：已成功登录。现在请求第一条消息。
2011-02-03 19:50:12-0600[sg101]调试：重定向（302）到
2011-02-03 19:50:12-0600[sg101]调试：重定向（302）到
2011-02-03 19:50:13-0600[sg101]调试：重定向（302）到
2011-02-03 19:50:13-0600[sg101]信息：关闭卡盘（已完成）
2011-02-03 19:50:13-0600[sg101]信息：十字轴关闭（已完成）

我无法理解这一点。看起来雅虎正在重定向蜘蛛（可能是为了验证？），但它似乎回到了我最初想要访问的URL。但是scrapy没有给我回电话，我也没有机会抓取数据或继续爬行

---

有人对正在发生的事情和/或如何进一步调试有什么想法吗？谢谢

我认为雅虎正在重定向以进行授权检查，它最终将我重定向回我真正想要的页面。然而，Scrapy已经看到了这个请求，并且停止了，因为它不想进入循环。在我的例子中，解决方案是向请求构造函数添加

dont\u filter=True

。这将指示Scrapy不过滤重复的请求。在我的例子中，这很好，因为我提前知道我想要爬网的URL

def logged_in(self, response):
    if response.url == 'http://my.yahoo.com':
        self.log("Successfully logged in. Now requesting message page.",
                level=log.INFO)
        return Request(MSG_URL % self.msg_id, callback=self.parse_msg,
                errback=self.error, dont_filter=True)
    else:
        self.log("Login failed.", level=log.CRITICAL)