如何在scrapy中捕獲并處理各種異常
前言
使用scrapy進行大型爬取任務的時候（爬取耗時以天為單位），無論主機網(wǎng)速多好，爬完之后總會發(fā)現(xiàn)scrapy日志中“item_scraped_count”不等于預先的種子數(shù)量，總有一部分種子爬取失敗，失敗的類型可能有如下圖兩種（下圖為scrapy爬取結(jié)束完成時的日志）：
scrapy中常見的異常包括但不限于：download error（藍色區(qū)域）, http code 403/500（橙色區(qū)域）。
不管是哪種異常，我們都可以參考scrapy自帶的retry中間件寫法來編寫自己的中間件。
正文
使用IDE，現(xiàn)在scrapy項目中任意一個文件敲上以下代碼：
from scrapy.downloadermiddlewares.retry import RetryMiddleware
按住ctrl鍵，鼠標左鍵點擊RetryMiddleware進入該中間件所在的項目文件的位置，也可以通過查看文件的形式找到該中間件的位置，路徑是：site-packages/scrapy/downloadermiddlewares/retry.RetryMiddleware
該中間件的源代碼如下：
class RetryMiddleware(object):
# IOError is raised by the HttpCompression middleware when trying to
# decompress an empty response
EXCEPTIONS_TO_RETRY = (defer.TimeoutError, TimeoutError, DNSLookupError,
ConnectionRefusedError, ConnectionDone, ConnectError,
ConnectionLost, TCPTimedOutError, ResponseFailed,
IOError, TunnelError)
def __init__(self, settings):
if not settings.getbool('RETRY_ENABLED'):
raise NotConfigured
self.max_retry_times = settings.getint('RETRY_TIMES')
self.retry_http_codes = set(int(x) for x in settings.getlist('RETRY_HTTP_CODES'))
self.priority_adjust = settings.getint('RETRY_PRIORITY_ADJUST')
@classmethod
def from_crawler(cls, crawler):
return cls(crawler.settings)
def process_response(self, request, response, spider):
if request.meta.get('dont_retry', False):
return response
if response.status in self.retry_http_codes:
reason = response_status_message(response.status)
return self._retry(request, reason, spider) or response
return response
def process_exception(self, request, exception, spider):
if isinstance(exception, self.EXCEPTIONS_TO_RETRY) \
and not request.meta.get('dont_retry', False):
return self._retry(request, exception, spider)
def _retry(self, request, reason, spider):
retries = request.meta.get('retry_times', 0) + 1
retry_times = self.max_retry_times
if 'max_retry_times' in request.meta:
retry_times = request.meta['max_retry_times']
stats = spider.crawler.stats
if retries <= retry_times:
logger.debug("Retrying %(request)s (failed %(retries)d times): %(reason)s",
{'request': request, 'retries': retries, 'reason': reason},
extra={'spider': spider})
retryreq = request.copy()
retryreq.meta['retry_times'] = retries
retryreq.dont_filter = True
retryreq.priority = request.priority + self.priority_adjust
if isinstance(reason, Exception):
reason = global_object_name(reason.__class__)
stats.inc_value('retry/count')
stats.inc_value('retry/reason_count/%s' % reason)
return retryreq
else:
stats.inc_value('retry/max_reached')
logger.debug("Gave up retrying %(request)s (failed %(retries)d times): %(reason)s",
{'request': request, 'retries': retries, 'reason': reason},
extra={'spider': spider})
查看源碼我們可以發(fā)現(xiàn)，對于返回http code的response，該中間件會通過process_response方法來處理，處理辦法比較簡單，大概是判斷response.status是否在定義好的self.retry_http_codes集合中，通過向前查找，這個集合是一個列表，定義在default_settings.py文件中，定義如下：
RETRY_HTTP_CODES = [500, 502, 503, 504, 522, 524, 408]
也就是先判斷http code是否在這個集合中，如果在，就進入retry的邏輯，不在集合中就直接return response。這樣就已經(jīng)實現(xiàn)對返回http code但異常的response的處理了。
但是對另一種異常的處理方式就不一樣了，剛才的異常準確的說是屬于HTTP請求error（超時），而另一種異常發(fā)生的時候則是如下圖這種實實在在的代碼異常（不處理的話）：
你可以創(chuàng)建一個scrapy項目，start_url中填入一個無效的url即可模擬出此類異常。比較方便的是，在RetryMiddleware中同樣提供了對這類異常的處理辦法：process_exception
通過查看源碼，可以分析出大概的處理邏輯：同樣先定義一個集合存放所有的異常類型，然后判斷傳入的異常是否存在于該集合中，如果在（不分析dont try）就進入retry邏輯，不在就忽略。
OK，現(xiàn)在已經(jīng)了解了scrapy是如何捕捉異常了，大概的思路也應該有了，下面貼出一個實用的異常處理的中間件模板：
from twisted.internet import defer
from twisted.internet.error import TimeoutError, DNSLookupError, \
ConnectionRefusedError, ConnectionDone, ConnectError, \
ConnectionLost, TCPTimedOutError
from scrapy.http import HtmlResponse
from twisted.web.client import ResponseFailed
from scrapy.core.downloader.handlers.http11 import TunnelError
class ProcessAllExceptionMiddleware(object):
ALL_EXCEPTIONS = (defer.TimeoutError, TimeoutError, DNSLookupError,
ConnectionRefusedError, ConnectionDone, ConnectError,
ConnectionLost, TCPTimedOutError, ResponseFailed,
IOError, TunnelError)
def process_response(self,request,response,spider):
#捕獲狀態(tài)碼為40x/50x的response
if str(response.status).startswith('4') or str(response.status).startswith('5'):
#隨意封裝，直接返回response，spider代碼中根據(jù)url==''來處理response
response = HtmlResponse(url='')
return response
#其他狀態(tài)碼不處理
return response
def process_exception(self,request,exception,spider):
#捕獲幾乎所有的異常
if isinstance(exception, self.ALL_EXCEPTIONS):
#在日志中打印異常類型
print('Got exception: %s' % (exception))
#隨意封裝一個response，返回給spider
response = HtmlResponse(url='exception')
return response
#打印出未捕獲到的異常
print('not contained exception: %s'%exception)
spider解析代碼示例：
class TESTSpider(scrapy.Spider):
name = 'TEST'
allowed_domains = ['TTTTT.com']
start_urls = ['http://www.TTTTT.com/hypernym/?q=']
custom_settings = {
'DOWNLOADER_MIDDLEWARES': {
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,
'TESTSpider.middlewares.ProcessAllExceptionMiddleware': 120,
},
'DOWNLOAD_DELAY': 1, # 延時最低為2s
'AUTOTHROTTLE_ENABLED': True, # 啟動[自動限速]
'AUTOTHROTTLE_DEBUG': True, # 開啟[自動限速]的debug
'AUTOTHROTTLE_MAX_DELAY': 10, # 設置最大下載延時
'DOWNLOAD_TIMEOUT': 15,
'CONCURRENT_REQUESTS_PER_DOMAIN': 4 # 限制對該網(wǎng)站的并發(fā)請求數(shù)
}
def parse(self, response):
if not response.url: #接收到url==''時
print('500')
yield TESTItem(key=response.meta['key'], _str=500, alias='')
elif 'exception' in response.url:
print('exception')
yield TESTItem(key=response.meta['key'], _str='EXCEPTION', alias='')
Note：該中間件的Order_code不能過大，如果過大就會越接近下載器，就會優(yōu)先于RetryMiddleware處理response，但這個中間件是用來兜底的，即當一個response 500進入中間件鏈時，需要先經(jīng)過retry中間件處理，不能先由我們寫的中間件來處理，它不具有retry的功能，接收到500的response就直接放棄掉該request直接return了，這是不合理的。只有經(jīng)過retry后仍然有異常的request才應當由我們寫的中間件來處理，這時候你想怎么處理都可以，比如再次retry、return一個重新構(gòu)造的response。
下面來驗證一下效果如何（測試一個無效的URL），下圖為未啟用中間件的情況：
再啟用中間件查看效果：
ok，達到預期效果：即使程序運行時拋出異常也能被捕獲并處理。
到此這篇關于如何在scrapy中捕獲并處理各種異常的文章就介紹到這了,更多相關scrapy 捕獲處理異常內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了解決cuda和pytorch不兼容的問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-03-03
PyInstaller是一個Python庫,可以將Python應用程序轉(zhuǎn)換為獨立的可執(zhí)行文件,下面這篇文章主要給大家介紹了關于pyinstaller的介紹與使用的相關資料,文中通過代碼介紹的非常詳細,需要的朋友可以參考下2023-11-11
這篇文章主要介紹了Python中self用法詳解,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2023-03-03
Python+pandas計算數(shù)據(jù)相關系數(shù)的實例
今天小編就為大家分享一篇Python+pandas計算數(shù)據(jù)相關系數(shù)的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-07-07
Python中用于轉(zhuǎn)換字母為小寫的lower()方法使用簡介
這篇文章主要介紹了Python中用于轉(zhuǎn)換字母為小寫的lower()方法使用,是Python學習中的基礎知識,需要的朋友可以參考下2015-05-05
關于tf.TFRecordReader()函數(shù)的用法解析
今天小編就為大家分享一篇關于tf.TFRecordReader()函數(shù)的用法解析，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-02-02
Python datetime時間格式化去掉前導0，在format string的%與flag之間，添加一個“-”即可2014-07-07
Python3爬蟲使用Fidder實現(xiàn)APP爬取示例
這篇文章主要介紹了Python3爬蟲使用Fidder實現(xiàn)APP爬取示例，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2018-11-11
python如何實現(xiàn)讀取并顯示圖片（不需要圖形界面）
這篇文章主要介紹了python如何實現(xiàn)讀取并顯示圖片，文中示例代碼非常詳細，幫助大家更好的理解和學習，感興趣的朋友可以了解下2020-07-07
這篇文章主要介紹了python判斷字符串是否是json格式方法分享，具有一定參考價值，需要的朋友可以了解下。2017-11-11