1

私はCrawlSpiderを持っています、コードは以下の通りです。私はTorをtsocksで使用しています。スパイダーを起動すると、すべてが正常に機能します。init_requestを使用して、サイトにログインし、スティッキーCookieでクロールできます。

しかし、スパイダーを停止して再開すると問題が発生しました。クッキーはべたつかなくなりました。

Scrapyからの返答を差し上げます。

=======================INIT_REQUEST================
2013-01-30 03:03:58+0300 [my] INFO: Spider opened
2013-01-30 03:03:58+0300 [my] INFO: Resuming crawl (675 requests scheduled)
............ And here crawling began

だから...definit_requestのcallback=self.login_urlは起動されません!!!

スクレイピーエンジンはログインページで再度リクエストを送信したくないと思いました。Scrapyを再開する前に、login_page（サイト上のすべてのページからログインできます）をrestrict_xpathsに含まれていないものに変更しました。

結果は-再開後、ログインできず、以前のCookieが失われます。

誰かがいくつかの仮定を持っていますか？

from scrapy.contrib.spiders import CrawlSpider,Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from scrapy.contrib.loader import XPathItemLoader
from scrapy.contrib.loader.processor import TakeFirst, MapCompose, Join, Identity
from beles_com_ua.items import Product
from scrapy.utils.response import get_base_url
from scrapy.utils.url import urljoin_rfc
from scrapy.utils.markup import remove_entities
from django.utils.html import strip_tags
from datetime import datetime
from scrapy import log
import re
from scrapy.http import Request, FormRequest

class ProductLoader(XPathItemLoader):
    .... some code is here ...


class MySpider(CrawlSpider):
    name = 'my'
    login_page = 'http://test.com/index.php?section=6&type=12'

    allowed_domains = ['test.com']
    start_urls = [
        'http://test.com/index.php?section=142',
    ]
    rules = (
        Rule(SgmlLinkExtractor(allow=('.',),restrict_xpaths=('...my xpath...')),callback='parse_item', follow=True),
    )
    def start_requests(self):
        return self.init_request()

    def init_request(self):
        print '=======================INIT_REQUEST================'
        return [Request(self.login_page, callback=self.login_url)]


    def login_url(self, response):
        print '=======================LOGIN======================='
        """Generate a login request."""
        return FormRequest.from_response(response,
            formdata={'login': 'mylogin', 'pswd': 'mypass'},
            callback=self.after_login)

    def after_login(self, response):
        print '=======================AFTER_LOGIN ...======================='
        if "images/info_enter.png" in response.body:
               print "==============Bad times :(==============="
        else:
           print "=========Successfully logged in.========="
           for url in self.start_urls:
            yield self.make_requests_from_url(url)

    def parse_item(self, response):
        hxs = HtmlXPathSelector(response)

        entry = hxs.select("//div[@class='price']/text()").extract()
        l = ProductLoader(Product(), hxs)
        if entry:
        name = hxs.select("//div[@class='header_box']/text()").extract()[0]
        l.add_value('name', name)
        ... some code is here ...
        return l.load_item()
4

1 に答える 1

1

init_request(self):からサブクラス化する場合にのみ使用可能InitSpiderですCrawlSpider

このようにInitSpiderからスパイダーをサブクラス化する必要があります

class WorkingSpider(InitSpider):

    login_page = 'http://www.example.org/login.php'
    def init_request(self):
        #"""This function is called before crawling starts."""
        return Request(url=self.login_page, callback=self.login)

ただし、リンクを手動で抽出する必要がある場合にのみ使用可能であるため、をRules定義できないことを忘れないでくださいinitSpiderCrawlSpider

于 2013-01-31T01:28:42.620 に答える