Question

我正在尝试使用scrapy和scrapy-splash获取请求状态代码，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)

我的开始网址http://192.168.8.240:8000/xxxx是404状态代码网址，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})

第二个是：

yield scrapy.Request(url, self.parse, meta={'handle_httpstatus_all': True})

第三是：

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})可以获得正确的状态代码404，第一个和第三个请求状态代码200，这就是我说的尝试使用scrapy-splash，我无法获得正确的状态代码404，你能帮助我吗？

Answer 1

正如documentation到scrapy-splash建议的那样，您必须将magic_response=True传递给SplashRequest才能实现此目标：

meta['splash']['http_status_from_error_code'] - response.status失败时将assert(splash:go(..))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http_status_from_error_code选项默认为False; SplashRequest默认将其设置为True。

修改不过，我能够让它只与execute端点一起工作。以下是使用httpbin.org测试HTTP状态代码的示例蜘蛛：

# -*- 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。

如何从scrapy-splash获取200以外的状态代码

1 个答案: