Heroku 上的 Scrapy 爬虫返回 503 服务不可用

Posted 2023-03-10

【中文标题】Heroku 上的 Scrapy 爬虫返回 503 服务不可用

【英文标题】：Scrapy crawler on Heroku returning 503 Service Unavailable

【发布时间】：2021-04-01 05:03:08

【问题描述】：

我有一个爬虫，它从网站上抓取数据并将抓取的数据上传到远程 MongoDB 服务器。我想将它托管在heroku上以自动抓取很长时间。 我正在使用 scrapy-user-agents 在不同的用户代理之间轮换。 当我在我的电脑上本地使用scrapy crawl <spider> 时，蜘蛛程序正常运行并将数据返回到 MongoDB 数据库。

但是，当我在 heroku 上部署项目时，我的 heroku 日志中出现以下几行：

2020-12-22T12:50:21.132731+00:00 app[web.1]: 2020-12-22 12:50:21 [scrapy.downloadermiddlewares.retry] 调试：重试 https://indiankanoon.org/browse/>（失败1 次）：503 服务不可用

2020-12-22T12:50:21.134186+00:00 app[web.1]: 2020-12-22 12:50:21 [scrapy_user_agents.middlewares] 调试：分配的用户代理 Mozilla/5.0（Windows NT 6.1; WOW64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/53.0.2785.143 Safari/537.36

（它同样失败了 9 次，直到：）

2020-12-22T12:50:23.594655+00:00 app[web.1]: 2020-12-22 12:50:23 [scrapy.downloadermiddlewares.retry] 错误：放弃重试 https://indiankanoon.org/browse/> （失败9次）：503 Service Unavailable

2020-12-22T12:50:23.599310+00:00 app[web.1]: 2020-12-22 12:50:23 [scrapy.core.engine] 调试：已爬网 (503)

2020-12-22T12:50:23.701386+00:00 app[web.1]: 2020-12-22 12:50:23 [scrapy.spidermiddlewares.httperror] 信息：忽略响应 https://indiankanoon.org/browse/>: HTTP 状态码未处理或不允许

2020-12-22T12:50:23.714834+00:00 app[web.1]: 2020-12-22 12:50:23 [scrapy.core.engine] 信息：关闭蜘蛛（已完成）

总而言之，我的本地 IP 地址能够抓取数据，而 Heroku 尝试时却无法。更改 settings.py 文件中的某些内容可以纠正它吗？

我的 settings.py 文件：

    BOT_NAME = 'indKanoon'
    
    SPIDER_MODULES = ['indKanoon.spiders']
    NEWSPIDER_MODULE = 'indKanoon.spiders'
    MONGO_URI = ''
    MONGO_DATABASE = 'casecounts'    
    ROBOTSTXT_OBEY = False
    CONCURRENT_REQUESTS = 32
    DOWNLOAD_DELAY = 3
    COOKIES_ENABLED = False
    DOWNLOADER_MIDDLEWARES = 
        'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,
        'scrapy_user_agents.middlewares.RandomUserAgentMiddleware': 400,
    
    ITEM_PIPELINES = 
   'indKanoon.pipelines.IndkanoonPipeline': 300,

    RETRY_ENABLED = True
    RETRY_TIMES = 8
    RETRY_HTTP_CODES = [500, 502, 503, 504, 522, 524, 408]

【问题讨论】：

它有一个 DDoS 保护程序。可能所有云服务 IP 都像 Heroku IP 一样被禁止。您应该使用代理。

【参考方案1】：

这可能是由于 DDoS 保护或您尝试从中抓取的服务器将 IP 列入黑名单。

要克服这种情况，您可以使用代理。

我会推荐一个中间件，比如scrapy-proxy。使用它，您可以轮换、过滤不良代理或为您的请求使用单个代理。另外，这样可以省去每次设置代理的麻烦。

这直接来自开发者 GitHub README (Github Link)。

安装 scrapy-rotating-proxy 库

pip install scrapy_proxies

在你的 settings.py 中添加以下设置

# Retry many times since proxies often fail
RETRY_TIMES = 10
# Retry on most error codes since proxies fail for different reasons
RETRY_HTTP_CODES = [500, 503, 504, 400, 403, 404, 408]

DOWNLOADER_MIDDLEWARES = 
    'scrapy.downloadermiddlewares.retry.RetryMiddleware': 90,
    'scrapy_proxies.RandomProxy': 100,
    'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,


# Proxy list containing entries like
# http://host1:port
# http://username:password@host2:port
# http://host3:port
# ...
PROXY_LIST = '/path/to/proxy/list.txt'

# Proxy mode
# 0 = Every requests have different proxy
# 1 = Take only one proxy from the list and assign it to every requests
# 2 = Put a custom proxy to use in the settings
PROXY_MODE = 0

# If proxy mode is 2 uncomment this sentence :
#CUSTOM_PROXY = "http://host1:port"

在这里您可以更改重试次数、设置单个或轮换代理

然后将您的代理添加到这样的 list.txt 文件中

http://host1:port
http://username:password@host2:port
http://host3:port

使用这个，你的所有请求都将通过代理发送，该代理会为每个请求随机轮换，因此不会影响并发。

其他类似的中间件也有类似

scrapy-rotating-proxies

scrapy-proxies-tool

【讨论】：

谢谢，使用代理正是为我解决了这个问题。我终于开始在 azure 上使用 docker 容器，而不是 heroku。