第三百五十四节，Python分布式爬虫打造搜索引擎Scrapy精讲—数据收集(Stats Collection)

# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request,FormRequest


class PachSpider(scrapy.Spider):                            #定义爬虫类，必须继承scrapy.Spider
    name = ‘pach‘                                           #设置爬虫名称
    allowed_domains = [‘www.dict.cn‘]                       #爬取域名

    def start_requests(self):    #起始url函数，会替换start_urls
        return [Request(
            url=‘http://www.dict.cn/9999998888‘,
            callback=self.parse
        )]

    # 利用数据收集器，收集所有404的url以及，404页面数量
    handle_httpstatus_list = [404]                                  # 设置不过滤404

    def __init__(self):
        self.fail_urls = []                                         # 创建一个变量来储存404URL

    def parse(self, response):                                      # 回调函数
        if response.status == 404:                                  # 判断返回状态码如果是404
            self.fail_urls.append(response.url)                     # 将URL追加到列表
            self.crawler.stats.inc_value(‘failed_url‘)              # 设置一个数据收集，值为自增，每执行一次自增1
            print(self.fail_urls)                                   # 打印404URL列表
            print(self.crawler.stats.get_value(‘failed_url‘))       # 打印数据收集值
        else:
            title = response.css(‘title::text‘).extract()
            print(title)