关于python：如何在scrapy中重新调度403 HTTP状态码以便稍后爬取？

How to reschedule 403 HTTP status codes to be crawled later in scrapy?

根据这些说明，我可以看到 HTTP 500 错误、连接丢失错误等总是被重新安排，但如果 403 错误也被重新安排，或者它们被简单地视为有效响应或在之后被忽略，我无法找到任何地方达到重试限制。

同样来自同一条指令：

Failed pages are collected on the scraping process and rescheduled at
the end, once the spider has finished crawling all regular (non
failed) pages. Once there are no more failed pages to retry, this
middleware sends a signal (retry_complete), so other extensions could
connect to that signal.

这些 Failed Pages 指的是什么？它们是否包含 403 错误？

另外，当scrapy遇到HTTP 400状态时，我可以看到这个异常：

1	2015–12–07 12:33:42 [scrapy] DEBUG: Ignoring response <400 http://example.com/q?x=12>: HTTP status code is not handled or not allowed

从这个异常中，我认为很明显 HTTP 400 响应被忽略并且没有重新安排。

我不确定 403 HTTP 状态是被忽略还是重新安排在最后被抓取。
因此，我尝试根据这些文档重新安排所有具有 HTTP 状态 403 的响应。到目前为止，这是我尝试过的：

在 middlewares.py 文件中：

1
2
3
4
5

def process_response(self, request, response, spider):
if response.status == 403:
return request
else:
return response

在settings.py中：

1 2	RETRY_TIMES = 5 RETRY_HTTP_CODES = [500, 502, 503, 504, 400, 403, 404, 408]

我的问题是：

这些 Failed Pages 指的是什么？它们是否包含 403 错误？

我是否需要编写 process_response 来重新安排 403 错误页面，或者它们是否会被 scrapy 自动重新安排？

scrapy 重新安排了哪些类型的异常和(HTTP 代码)？

如果我重新安排 404 错误页面，我是否会进入无限循环，或者是否存在超时，之后重新安排将不再进行？

您可以在此处找到要重试的默认状态。

将 403 添加到 settings.py 文件中的 RETRY_HTTP_CODES 应该会处理该请求并重试。

RETRY_HTTP_CODES里面的，我们已经检查了默认的。

RETRY_TIMES 处理尝试错误页面的次数，默认设置为 2，您可以在 settings.py 文件上覆盖它。

一种方法是向你的 Spider 添加一个中间件(来源，链接)：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

# File: middlewares.py

from twisted.internet import reactor
from twisted.internet.defer import Deferred

DEFAULT_DELAY = 5

class DelayedRequestsMiddleware(object):
def process_request(self, request, spider):
delay_s = request.meta.get(‘delay_request_by’, None)
if not delay_s and response.status != 403:
return
delay_s = delay_s or DEFAULT_DELAY

deferred = Deferred()
reactor.callLater(delay_s, deferred.callback, None)
return deferred

在示例中，您可以使用元键调用延迟：

1
2
3

# This request will have itself delayed by 5 seconds
yield scrapy.Request(url=‘http://quotes.toscrape.com/page/1/’,
meta={‘delay_request_by’: 5})

原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/267869.html

关于python：如何在scrapy中重新调度403 HTTP状态码以便稍后爬取？

How to reschedule 403 HTTP status codes to be crawled later in scrapy?

相关推荐

发表回复