Scrapy CrawlSpider - errback para start_urls

Question

Estoy usando CrawlSpidercon la regla linkextractor que tiene errback.

Estoy usando parse_start_urlpara poder analizar start_urlspero también los necesito errback.

class CS(CrawlSpider):
    name = "CS"
    rules = (Rule(LinkExtractor(allow=[], deny=[]), follow=True, callback='my_parse', errback='my_errback'),)           
    custom_settings = {
        'DEPTH_LIMIT': 3,
        #etc
    }
    
    start_urls = ['url']
    allowed_domains = ['domain']
    
    def my_errback(self, failure):
        # log all failures
    
    def parse_start_url(self, response):
        return self.my_parse(response)

    def my_parse(self, response):
        # parse responses

El problema al que me enfrento es que el errback se llama SOLO para los enlaces extraídos y NO para start_urls.

No puedo usar el método start_requests (como se muestra a continuación) ya que estoy usando CrawlSpider y las reglas. Cuando lo hago, solo se raspan las start_urls:

def start_requests(self):
            for u in self.start_urls:
                yield scrapy.Request(u, callback=self.my_parse,
                                        errback=self.my_errback)

Answer 1

Esta es la respuesta: https://stackoverflow.com/a/34345668/13903397

Básicamente, tenemos que usar start_requestspero eliminar el parámetro de devolución de llamada. De esa forma, se llamará al self.parse predeterminado y se respetarán las reglas.

class CS(CrawlSpider):
    name = "CS"
    rules = (Rule(LinkExtractor(allow=[], deny=[]), follow=True, callback='my_parse', errback='my_errback'),)           
    custom_settings = {
        'DEPTH_LIMIT': 3,
        #etc
    }
    
    start_urls = ['url']
    allowed_domains = ['domain']

    def start_requests(self):
        for u in self.start_urls:
            yield scrapy.Request(u, errback=self.my_errback)
    
    def my_errback(self, failure):
        # log all failures
    
    def parse_start_url(self, response):
        return self.my_parse(response)

    def my_parse(self, response):
        # parse responses