python – Scrapy CrawlSpider重试刮

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – Scrapy CrawlSpider重试刮，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1461字，纯文字阅读大概需要3分钟。

内容图文

对于我试图抓取的页面,我有时会在我的响应中找到一个“占位符”页面,其中包含一些自动加载的javascript,直到它获得真实页面.我可以检测到这种情况何时发生,我想重试下载并抓取页面.我在CrawlSpider中使用的逻辑类似于：

def parse_page(self, response):
    url = response.url

    # Check to make sure the page is loaded
    if 'var PageIsLoaded = false;' in response.body:
        self.logger.warning('parse_page encountered an incomplete rendering of {}'.format(url))
        yield Request(url, self.parse, dont_filter=True)
        return

    ...
    # Normal parsing logic

但是,似乎在调用重试逻辑并发出新请求时,它们包含的页面和链接不会被抓取或抓取.我的想法是,通过使用CrawlSpider用来应用爬网规则的self.parse和dont_filter = True,我可以避免重复的过滤器.但是,在DUPEFILTER_DEBUG = True的情况下,我可以看到重试请求被过滤掉了.

我错过了什么,还是有更好的方法来解决这个问题？如果可能的话,我想避免使用像splash这样的动态js渲染的复杂性,这只是间歇性地发生.

解决方法:

我会考虑换一个custom Retry Middleware – 类似于built-in one.

示例实现(未测试)：

import logging

logger = logging.getLogger(__name__)


class RetryMiddleware(object):
    def process_response(self, request, response, spider):
        if 'var PageIsLoaded = false;' in response.body:
            logger.warning('parse_page encountered an incomplete rendering of {}'.format(response.url))
            return self._retry(request) or response

        return response

    def _retry(self, request):
        logger.debug("Retrying %(request)s", {'request': request})

        retryreq = request.copy()
        retryreq.dont_filter = True
        return retryreq

并且别忘了activate吧.

内容总结

以上是互联网集市为您收集整理的python – Scrapy CrawlSpider重试刮全部内容，希望文章能够帮你解决python – Scrapy CrawlSpider重试刮所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端