So erhalten Sie die ursprüngliche start_url in scrapy (vor der Weiterleitung)
Ich verwende Scrapy, um einige Seiten zu crawlen. Ich rufe die start_urls von einem Excel-Blatt ab und muss die URL im Artikel speichern.
class abc_Spider(BaseSpider):
name = 'abc'
allowed_domains = ['abc.com']
wb = xlrd.open_workbook(path + '/somefile.xlsx')
wb.sheet_names()
sh = wb.sheet_by_name(u'Sheet1')
first_column = sh.col_values(15)
start_urls = first_column
handle_httpstatus_list = [404]
def parse(self, response):
item = abcspiderItem()
item['url'] = response.url
Das Problem ist, dass die URL zu einer anderen URL umgeleitet wird (und somit etwas anderes in der Antwort-URL ergibt). Wie erhalte ich die ursprüngliche URL, die ich von Excel erhalten habe?