Scrapy CrawlSpider - errback para start_urls

Question

Estou usando CrawlSpidercom regra linkextractor que tem errback.

Estou usando parse_start_urlpara conseguir analisar os, start_urlsmas também preciso errbackdeles.

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

O problema que estou enfrentando é que o errback é chamado SOMENTE para os links extraídos e NÃO para start_urls.

Não posso usar o método start_requests (conforme abaixo) porque estou usando CrawlSpider e regras. Quando eu faço isso, apenas os start_urls são removidos:

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 é a resposta: https://stackoverflow.com/a/34345668/13903397

Basicamente, temos que usar, start_requestsmas remover o parâmetro de retorno de chamada. Dessa forma, o self.parse padrão será chamado e as regras serão respeitadas.

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