Question

我试图删除一系列网页，但我遇到漏洞，有时看起来网站无法正确发送HTML回复。这导致csv输出文件具有空行。当响应中的xpath选择器为空时，如何重试n次请求和解析？请注意，我没有任何HTTP错误。

Answer 1

您可以使用自定义重试中间件执行此操作，只需覆盖当前Retry Middleware的process_response方法：

from scrapy.downloadermiddlewares.retry import RetryMiddleware
from scrapy.utils.response import response_status_message


class CustomRetryMiddleware(RetryMiddleware):

    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

        # this is your check
        if response.status == 200 and response.xpath(spider.retry_xpath):
            return self._retry(request, 'response got xpath "{}"'.format(spider.retry_xpath), spider) or response
        return response

然后在RetryMiddleware中启用它而不是默认settings.py：

DOWNLOADER_MIDDLEWARES = {
    'scrapy.downloadermiddlewares.retry.RetryMiddleware': None,
    'myproject.middlewarefilepath.CustomRetryMiddleware': 550,
}

现在您有了一个中间件，您可以使用属性xpath配置retry_xpath在蜘蛛内重试：

class MySpider(Spider):
    name = "myspidername"

    retry_xpath = '//h2[@class="tadasdop-cat"]'
    ...

当您的项目字段为空时，这不一定会重试，但您可以在此retry_xpath属性中指定该字段的相同路径，以使其有效。

Answer 2

您可以将RETRY_TIMES中的settings.py设置设置为您希望重试页面的次数。默认为2次。

请参阅more on RetryMiddleware

如何在项目获得空字段时重试请求n次？

2 个答案: