Python 使用scrapy获取404错误的所有实例
我让Scrapy在我的网站上爬行,找到带有404响应的链接并将其返回到JSON文件。这真的很有效 但是,我不知道如何获取该坏链接的所有实例,因为复制筛选器正在捕获这些链接,而不是重试它们 由于我们的网站有数千个页面,这些部分由多个团队管理,因此我需要能够创建每个部分的坏链接报告,而不是查找一个并在整个网站上搜索替换 任何帮助都将不胜感激 我当前的爬虫程序:Python 使用scrapy获取404错误的所有实例,python,hyperlink,scrapy,duplicates,http-status-code-404,Python,Hyperlink,Scrapy,Duplicates,Http Status Code 404,我让Scrapy在我的网站上爬行,找到带有404响应的链接并将其返回到JSON文件。这真的很有效 但是,我不知道如何获取该坏链接的所有实例,因为复制筛选器正在捕获这些链接,而不是重试它们 由于我们的网站有数千个页面,这些部分由多个团队管理,因此我需要能够创建每个部分的坏链接报告,而不是查找一个并在整个网站上搜索替换 任何帮助都将不胜感激 我当前的爬虫程序: import scrapy from scrapy.spiders import CrawlSpider, Rule from scrapy
import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors.lxmlhtml import LxmlLinkExtractor
from scrapy.item import Item, Field
# Add Items for exporting to JSON
class DevelopersLinkItem(Item):
url = Field()
referer = Field()
link_text = Field()
status = Field()
time = Field()
class DevelopersSpider(CrawlSpider):
"""Subclasses Crawlspider to crawl the given site and parses each link to JSON"""
# Spider name to be used when calling from the terminal
name = "developers_prod"
# Allow only the given host name(s)
allowed_domains = ["example.com"]
# Start crawling from this URL
start_urls = ["https://example.com"]
# Which status should be reported
handle_httpstatus_list = [404]
# Rules on how to extract links from the DOM, which URLS to deny, and gives a callback if needed
rules = (Rule(LxmlLinkExtractor(deny=([
'/android/'])), callback='parse_item', follow=True),)
# Called back to for each requested page and used for parsing the response
def parse_item(self, response):
if response.status == 404:
item = DevelopersLinkItem()
item['url'] = response.url
item['referer'] = response.request.headers.get('Referer')
item['link_text'] = response.meta.get('link_text')
item['status'] = response.status
item['time'] = self.now.strftime("%Y-%m-%d %H:%M")
return item
我尝试了一些定制的复制过滤器,但最终没有一个起作用 如果我正确理解您的问题,爬行蜘蛛会默认过滤您的请求。您可以使用规则类的process\u request参数为每个请求设置don\u filter=True()如果我正确理解您的问题,爬行爬行器将默认过滤您的请求。您可以使用规则类的process\u request参数为每个请求()设置dont\u filter=True