Question

我使用了一些代理来抓取某些网站。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

由于代理有时不是很稳定，因此process_exception经常会提示很多请求失败消息。这里的问题是失败的请求从未再次尝试过。

如前所示，我已设置RETRY_TIMES和RETRY_HTTP_CODES设置，并且还在代理中间件的process_exception方法中返回重试请求。

为什么scrapy再也不会重试失败请求，或者我怎样才能确保请求至少尝试过我在settings.py中设置的RETRY_TIMES？

Answer 1

感谢Scrapy IRC频道@nyov的帮助。

'scrapy.contrib.downloadermiddleware.retry.RetryMiddleware'：200，
'myspider.comm.random_proxy.RandomProxyMiddleware'：300，

此处重试中间件首先运行，因此它会在进入Proxy中间件之前重试该请求。在我的情况下，scrapy需要代理来抓取网站，否则它会无休止地超时。

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，

Answer 2

似乎您的代理下载中间件 - ＆gt; process_response不遵守规则，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Response（它可能是同一个给定的响应，或者是一个全新的响应），那么该响应将继续使用链中下一个中间件的process_response（）进行处理。

...

Python Scrapy不会重试超时连接

2 个答案: