python - Scrapy 重试或重定向中间件

Question

在使用 scrapy 爬取网站时，大约有 1/5 的时间我被重定向到用户阻止的页面。当发生这种情况时，我丢失了从 重定向的页面。我不知道要使用哪个中间件或在该中间件中使用什么设置，但我想要这个:

调试:从 (GET http://domain.com/bar.htm) 重定向 (302) 到 (GET http://domain.com/foo.aspx)

不要删除 bar.htm。当抓取器完成时，我最终没有来自 bar.htm 的数据，但我正在轮换代理，所以如果它再次尝试 bar.htm(可能再试几次)，我应该得到它。如何设置尝试次数？

如果重要的话，我只允许爬虫使用一个非常具体的起始 url，然后只跟随“下一页”链接，所以它应该按顺序浏览少量页面——这就是为什么我需要它要么重试，例如第 34 页，要么稍后再返回。 Scrapy 文档说它应该默认重试 20 次，但我根本没有看到它重试。此外，如果它有帮助:所有重定向都转到同一页面(一个“离开”页面，上面的 foo.com) - 有没有办法告诉 Scrapy 该特定页面“不算数”，如果它被重定向到那里，继续重试？我在下载器中间件中看到某些内容引用列表中的特定 http 代码 - 我可以以某种方式将 302 添加到“始终继续尝试此”列表吗？

Answer 1

我今天在一个使用 301..303 重定向但有时也使用元重定向的网站上遇到了同样的问题。我建立了一个 retry middleware并使用了 redirect 中的一些 block 中间件:

from scrapy.contrib.downloadermiddleware.retry import RetryMiddleware
from scrapy.selector import HtmlXPathSelector
from scrapy.utils.response import get_meta_refresh
from scrapy import log

class CustomRetryMiddleware(RetryMiddleware):

    def process_response(self, request, response, spider):
        url = response.url
        if response.status in [301, 307]:
            log.msg("trying to redirect us: %s" %url, level=log.INFO)
            reason = 'redirect %d' %response.status
            return self._retry(request, reason, spider) or response
        interval, redirect_url = get_meta_refresh(response)
        # handle meta redirect
        if redirect_url:
            log.msg("trying to redirect us: %s" %url, level=log.INFO)
            reason = 'meta'
            return self._retry(request, reason, spider) or response
        hxs = HtmlXPathSelector(response)
        # test for captcha page
        captcha = hxs.select(".//input[contains(@id, 'captchacharacters')]").extract()
        if captcha:
            log.msg("captcha page %s" %url, level=log.INFO)
            reason = 'capcha'
            return self._retry(request, reason, spider) or response
        return response

为了使用这个中间件，最好在 settings.py 中为这个项目禁用现有的重定向中间件:

DOWNLOADER_MIDDLEWARES = {
                         'YOUR_PROJECT.scraper.middlewares.CustomRetryMiddleware': 120,
                          'scrapy.contrib.downloadermiddleware.redirect.RedirectMiddleware': None,
                          'scrapy.contrib.downloadermiddleware.redirect.MetaRefreshMiddleware': None,
}