Question

对于我正在尝试抓取的页面，我有时会在我的回复中找到一个“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用于应用爬网规则self.parse的{{1}}，我可以避免重复过滤器。但是使用dont_filter=True，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。

Answer 1

我会考虑改为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

不要忘记activate它。

Scrapy CrawlSpider重试刮擦

1 个答案: