Question

我正在尝试使用Scrapy抓取网址。但它将我重定向到不存在的页面。

Redirecting (302) to <GET http://www.shop.inonit.in/mobile/Products/Inonit-Home-Decor--Knick-Knacks-Cushions/Shor-Sharaba/Andaz-Apna-Apna-Cushion-Cover/1275197> from <GET http://www.shop.inonit.in/Products/Inonit-Home-Decor--Knick-Knacks-Cushions/Shor-Sharaba/Andaz-Apna-Apna-Cushion-Cover/pid-1275197.aspx>

问题是http://www.shop.inonit.in/Products/Inonit-Home-Decor--Knick-Knacks-Cushions/Shor-Sharaba/Andaz-Apna-Apna-Cushion-Cover/pid-1275197.aspx存在，但http://www.shop.inonit.in/mobile/Products/Inonit-Home-Decor--Knick-Knacks-Cushions/Shor-Sharaba/Andaz-Apna-Apna-Cushion-Cover/1275197没有，因此抓取工具无法找到此问题。我也抓了很多其他网站，但在其他任何地方都没有这个问题。有没有办法可以阻止这种重定向？

非常感谢任何帮助。感谢。

更新：这是我的蜘蛛类

class Inon_Spider(BaseSpider):
name = 'Inon'
allowed_domains = ['www.shop.inonit.in']

start_urls = ['http://www.shop.inonit.in/Products/Inonit-Gadget-Accessories-Mobile-Covers/-The-Red-Tag/Samsung-Note-2-Dead-Mau/pid-2656465.aspx']

def parse(self, response):

    item = DealspiderItem()
    hxs = HtmlXPathSelector(response)

    title = hxs.select('//div[@class="aboutproduct"]/div[@class="container9"]/div[@class="ctl_aboutbrand"]/h1/text()').extract()
    price = hxs.select('//span[@id="ctl00_ContentPlaceHolder1_Price_ctl00_spnWebPrice"]/span[@class="offer"]/span[@id="ctl00_ContentPlaceHolder1_Price_ctl00_lblOfferPrice"]/text()').extract()
    prc = price[0].replace("Rs.  ","")
    description = []

    item['price'] = prc
    item['title'] = title
    item['description'] = description
    item['url'] = response.url

    return item

Answer 1

是的，你可以通过添加像

这样的元值来做到这一点

meta={'dont_redirect': True}

您也可以停止重定向特定的响应代码，例如

 meta={'dont_redirect': True,"handle_httpstatus_list": [302]}

它将停止仅重定向302个响应代码。

例如

        yield Request('some url',
                  meta = {
                      'dont_redirect': True,
                      'handle_httpstatus_list': [302]
                  },
                  callback= self.some_call_back)

Answer 2

默认情况下，Scrapy使用RedirectMiddleware来处理重定向。您可以将REDIRECT_ENABLED设置为False以禁用重定向。

见documentation。

Answer 3

在查看documentation并查看相关来源后，我能够弄明白。如果您查看start_requests的源代码，您会看到它为所有URL调用make_requests_from_url。

我没有修改start_requests，而是修改了make_requests_from_url

    def make_requests_from_url(self, url):
        return Request(url, dont_filter=True, meta = {
                  'dont_redirect': True,
                  'handle_httpstatus_list': [301,302]
            })

并将其添加为蜘蛛的一部分，位于parse()上方。

Answer 4

如此处所述：Scrapy docs

使用Request Meta

request =  scrapy.Request( link.url, callback=self.parse2)
request.meta['dont_redirect'] = True
yield request

scrapy-如何停止重定向（302）

4 个答案: