在使用Scrapy框架中URl被重定向,总是遇到这类问题:
DEBUG: Redirecting (301/302) to
解决方式:
在Scrapy中的Request中添加 dont_filter=True
,因为Scrapy是默认过滤掉重复的请求URL,添加上参数之后即使被重定向了也能请求到正常的数据了。
在Scrapy框架中的 settings.py文件里添加
HTTPERROR_ALLOWED_CODES = [301]
HTTPERROR_ALLOWED_CODES设置来指定spider能处理的response返回值
也就是说 忽略 该列表中 不具有的状态码(当然正常的200状态码除外)的response。
在爬虫多次请求时,有些网站会出现反爬虫措施:将请求链接重定向到一个提示404的链接或者验证码链接等阻止爬虫的进行,如下为解决方案:
def start_requests(self):
for i in self.start_urls:
yield Request(i, meta={
'dont_redirect': True,
'handle_httpstatus_list': [301,302]
}, callback=self.parse)
# 'dont_redirect': True是禁止重定向
# Request.meta 中的 handle_httpstatus_list 键可以用来指定每个request所允许的response code。
提示:
根据 HTTP标准 ,返回值为200-300之间的值为成功的resonse。
如果想处理在这个范围之外的response,可以通过 spider的 handle_httpstatus_list
属性或HTTPERROR_ALLOWED_CODES
设置来指定spider能处理的response返回值。
例如,如果想要处理返回值为404的response可以这么做:
class MySpider(CrawlSpider):
handle_httpstatus_list = [404]
使用requests模块遇到301和302问题时
html = requests.get(url, headers=headers, allow_redirects=False)
return html.headers['Location']
allow_redirects=False
的意义为拒绝默认的301/302重定向,从而可以通过html.headers[‘Location’]
拿到重定向的URL