python - Scrapy - 尝试目录内的所有ID，无需递归链接搜索

Question

假设我们要从一个网站中抓取特定目录，其中页面名称是特定范围内的整数ID，例如/book/BOOK_ID，其中BOOK_ID是从0到2,000,000，我不这样做想要抓取整个网站，并且没有包含所有链接的单个页面。不允许使用搜索页面(对于空搜索)或效率低下。因此，我们只想迭代该范围内的所有 ID，然后尝试下载页面，并忽略 404 错误。

但是由于 Scrapy 非常强大且庞大，并且可以处理很多其他事情，所以我想知道 Scrapy 是否可以实现这一点。

Answer 1

是的，这是可能的。使用start_requests()启动对 /book/BOOK_ID 页面的请求:

def start_requests(self):
    for book_id in xrange(1, 20000000):
        yield Request('https://my_site.com/book/{book_id}'.format(book_id=book_id),
                      callback=self.parse_book)

def parse_book(self, response):
    # parse the response

此外，默认情况下，Scrapy 会忽略 404。但是，如果您需要，您可以处理它，请参阅:

• HttpErrorMiddleware