Python Scrapy 不会重试超时连接
Posted
技术标签:
【中文标题】Python Scrapy 不会重试超时连接【英文标题】:Python Scrapy doesn't retry timeout connection 【发布时间】:2013-12-30 06:43:59 【问题描述】:我使用了一些代理来抓取一些网站。这是我在settings.py中做的:
# 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]
DOWNLOAD_DELAY = 3 # 5,000 ms of delay
DOWNLOADER_MIDDLEWARES =
'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware' : None,
'myspider.comm.rotate_useragent.RotateUserAgentMiddleware' : 100,
'scrapy.contrib.downloadermiddleware.retry.RetryMiddleware': 200,
'myspider.comm.random_proxy.RandomProxyMiddleware': 300,
'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 400,
我还有一个代理下载中间件,它有以下方法:
def process_request(self, request, spider):
log('Requesting url %s with proxy %s...' % (request.url, proxy))
def process_response(self, request, response, spider):
log('Response received from request url %s with proxy %s' % (request.url, proxy if proxy else 'nil'))
def process_exception(self, request, exception, spider):
log_msg('Failed to request url %s with proxy %s with exception %s' % (request.url, proxy if proxy else 'nil', str(exception)))
#retry again.
return request
由于proxy有时候不是很稳定,process_exception经常会提示很多请求失败的信息。这里的问题是失败的请求再也没有被尝试过。
如前所述,我设置了RETRY_TIMES和RETRY_HTTP_CODES设置,并且在代理中间件的process_exception方法中也返回了重试请求。
为什么 scrapy 不再重试失败请求,或者我如何确保至少尝试了我在 settings.py 中设置的 RETRY_TIMES 请求?
【问题讨论】:
【参考方案1】:感谢 Scrapy IRC 频道 @nyov 的帮助。
'scrapy.contrib.downloadermiddleware.retry.RetryMiddleware': 200, 'myspider.comm.random_proxy.RandomProxyMiddleware': 300,
这里重试中间件首先运行,因此它会在请求到达代理中间件之前重试请求。在我的情况下,scrapy 需要代理来抓取网站,否则它将无休止地超时。
所以我颠倒了这两个下载中间件之间的优先级:
'scrapy.contrib.downloadermiddleware.retry.RetryMiddleware': 300, 'myspider.comm.random_proxy.RandomProxyMiddleware':200,
【讨论】:
【参考方案2】:您的代理下载中间件似乎 -> process_response 没有按规则行事,因此破坏了中间件链
process_response() 应该:返回 Response 对象、返回 Request 对象或引发 IgnoreRequest 异常。
如果它返回一个响应(它可能是相同的给定响应,也可能是一个全新的响应),该响应将继续使用链中下一个中间件的 process_response() 进行处理。
...
【讨论】:
以上是关于Python Scrapy 不会重试超时连接的主要内容,如果未能解决你的问题,请参考以下文章