我正在使用最新的scrapy版本,v1.3
我按照分页中的网址逐页抓取网页。在某些页面中,网站检测到我使用机器人并在html中给我一个错误。由于它是一个成功的请求,它会缓存页面,当我再次运行它时,我得到同样的错误。
我需要的是如何防止该页面进入缓存?或者如果我不能这样做,我需要在解析方法中发现错误后将其从缓存中删除。然后我可以重试并获得正确的。
我有一个部分解决方案,我使用" dont_cache":meta中的False参数产生所有请求,因此我确保它们使用缓存。在我检测到错误并重试请求的地方,我将dont_filter = True和" dont_cache":True放在一起以确保我获得了错误网址的新副本。
def parse(self, response):
page = response.meta["page"] + 1
html = Selector(response)
counttext = html.css('h2#s-result-count::text').extract_first()
if counttext is None:
page = page - 1
yield Request(url=response.url, callback=self.parse, meta={"page":page, "dont_cache":True}, dont_filter=True)
我还尝试了一个自定义重试中间件,我设法让它在缓存之前工作,但我无法成功读取response.body。我怀疑它是以某种方式压缩的,因为它是二进制数据。
class CustomRetryMiddleware(RetryMiddleware):
def process_response(self, request, response, spider):
with open('debug.txt', 'wb') as outfile:
outfile.write(response.body)
html = Selector(text=response.body)
url = response.url
counttext = html.css('h2#s-result-count::text').extract_first()
if counttext is None:
log.msg("Automated process error: %s" %url, level=log.INFO)
reason = 'Automated process error %d' %response.status
return self._retry(request, reason, spider) or response
return response
任何建议都表示赞赏。
由于
穆罕默德
答案 0 :(得分:3)
负责请求/响应缓存的中间件是HttpCacheMiddleware
。在引擎盖下,它由缓存策略驱动 - 特殊类调度应该或不应该缓存哪些请求和响应。您可以实现自己的缓存策略类,并将其与设置
HTTPCACHE_POLICY =' my.custom.cache.Class'
文档中的更多信息:https://doc.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
内置政策的源代码:https://github.com/scrapy/scrapy/blob/master/scrapy/extensions/httpcache.py#L18
答案 1 :(得分:2)
感谢mizhgun,我设法使用自定义策略开发解决方案。
这是我做的,
from scrapy.utils.httpobj import urlparse_cached
class CustomPolicy(object):
def __init__(self, settings):
self.ignore_schemes = settings.getlist('HTTPCACHE_IGNORE_SCHEMES')
self.ignore_http_codes = [int(x) for x in settings.getlist('HTTPCACHE_IGNORE_HTTP_CODES')]
def should_cache_request(self, request):
return urlparse_cached(request).scheme not in self.ignore_schemes
def should_cache_response(self, response, request):
return response.status not in self.ignore_http_codes
def is_cached_response_fresh(self, response, request):
if "refresh_cache" in request.meta:
return False
return True
def is_cached_response_valid(self, cachedresponse, response, request):
if "refresh_cache" in request.meta:
return False
return True
当我发现错误时,(当然发生缓存之后)
def parse(self, response):
html = Selector(response)
counttext = html.css('selector').extract_first()
if counttext is None:
yield Request(url=response.url, callback=self.parse, meta={"refresh_cache":True}, dont_filter=True)
将meta_cache添加到meta时,可以在自定义策略类中捕获。
不要忘记添加dont_filter,否则第二个请求将被重复过滤。