web-dev-qa-db-ja.com

スクレイピー-リダイレクトを停止する方法（302）

Scrapyを使用してURLをクロールしようとしています。しかし、存在しないページにリダイレクトします。

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>

問題は http://www.shop.inonit.in/Products/Inonit-Home-Decor--Knick-Knacks-Cushions/Shor-Sharaba/Andaz-Apna-Apna-Cushion-Cover/pid- 1275197.aspx 存在しますが、 http://www.shop.inonit.in/mobile/Products/Inonit-Home-Decor--Knick-Knacks-Cushions/Shor-Sharaba/Andaz-Apna- Apna-Cushion-Cover/1275197 が見つからないため、クローラーはこれを見つけることができません。他の多くのWebサイトもクロールしましたが、他の場所ではこの問題は発生していません。このリダイレクトを停止する方法はありますか？

どんな助けでも大歓迎です。ありがとう。

更新：これは私のスパイダークラスです

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
web-scrapingweb-crawlerscrapy
19
user_2000

はい、メタ値を追加するだけでこれを行うことができます

meta={'dont_redirect': True}

また、次のような特定の応答コードへのリダイレクトを停止することもできます

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

302応答コードのみのリダイレクトを停止します。

例

        yield Request('some url',
                  meta = {
                      'dont_redirect': True,
                      'handle_httpstatus_list': [302]
                  },
                  callback= self.some_call_back)
12
akhter wahab

デフォルトでは、ScrapyはRedirectMiddlewareを使用してリダイレクトを処理します。 REDIRECT_ENABLEDをFalseに設定して、リダイレクトを無効にすることができます。

ドキュメント を参照してください。

7
imwilsonxu

documentation を見て、関連するソースを調べた後、私はそれを理解することができました。ソースでstart_requestsを探すと、すべてのURLに対してmake_requests_from_urlが呼び出されていることがわかります。

Start_requestsを変更する代わりに、make_requests_from_urlを変更しました

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

そして、これを私のスパイダーの一部として、parse()のすぐ上に追加しました。

7
Chad Casey

ここで説明されているように： Scrapy docs

リクエストメタを使用

request =  scrapy.Request( link.url, callback=self.parse2)
request.meta['dont_redirect'] = True
yield request
2
Evhz