scrapy抓取，如何改写非200状态码的response返回值？

我们相信：世界是美好的，你是我也是。 来玩一下解压小游戏吧！

scrapy目前是非常火热的抓取框架，苏南大叔以前更新过这个scrapy框架的部分教程。目前，对以前的内容进行一些适当的补充。本文中，解决的问题是scrapy抓取文件的时候，会碰到一些非200状态码的情况，比如：500/301/302之类的异常请求。

大家好，这里是苏南大叔的“程序如此灵动”博客，我是苏南大叔。本文中，苏南大叔将对scrapy碰到的非200情况进行处理。希望对您有所帮助。

本文测试环境：win10，python@3.6.8，scrapy@2.5.1。

新建scrapy项目

这里先回顾一下建立scrapy的方法，scrapy项目是使用pip安装的。

pip install scrapy

创建一个新的项目su，新建一个名为example的蜘蛛，目标网站是example.com。

scrapy startproject su
cd su
scrapy genspider example example.com

然后对su/spiders/example.py编写实际的蜘蛛逻辑，并运行编写的蜘蛛代码。

scrapy crawl example

结果发现，在实际的批量数据抓取过程中，一些文章页面会跳转到另外的栏目，提供的并不是苏南大叔的目标数据，导致后续逻辑出错。

解决方案

新建middleware，处理process_response函数，对于非200状态码的情况，模拟一个新的response。

su/middlewares.py:

class CheckStatus(object):
    def process_response(self, response, request, spider):
        if response.status != 200:
            # print(response.status)
            return response.replace(body="")
        else:
            return response

su/settings.py:

DOWNLOADER_MIDDLEWARES = {
    'su.middlewares.CheckStatus': 542,
}

这里的su.middlewares.CheckStatus是有命名依据的，是上述捕获非200代码处理方案的class的名字。542只是一个比较大的值，用于控制权重的。所以，您可以修改为您喜欢的任何合理数字。

spiders/example.py里面不做任何的逻辑修改，当然，值得注意的是，当出现非200的情况时，获得的html是自己可以自定义的。上述代码里面是留空了，实际上可以替换成任何想自定义的标记。

可能的问题一

在middleware里面，如果直接修改response的body，

response.body=""

会得到一个错误提示:

AttributeError: HtmlResponse.body is not modifiable, use HtmlResponse.replace() instead

这里的解决方案就是使用response.replace()，这里不但可以替换body，实际上还可以替换status,url等等。这里大家可以自行试验。

response.replace(body="")

可能的问题二

不要以为上述middleware可以捕获所有的状态码了，您还可能会碰到如下类似提示信息：

Ignoring response <500>: HTTP status code is not handled or not allowed

解决方案是，修改settings.py：

HTTPERROR_ALLOWED_CODES = [403,500]

当然需要您根据实际情况，修改上述数组，添加新的错误状态码。如果不做上述修改的话，scrapy运行时如果碰到500状态返回值，可能会意外结束运行。

相关链接

• https://newsn.net/say/scrapy-demo.html
• https://newsn.net/say/scrapy-startproject.html

总结

scrapy爬虫似乎很好很强大，不过对于苏南大叔来说，还是比较喜欢使用php外加phpquery来直接写，似乎思路会更加流畅。但是，拥抱新技术才是正确的选择。更多scrapy的经验文字，请点击苏南大叔的博客：

• https://newsn.net/tag/scrapy/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。