如何在scrapy中捕獲并處理各種異常
前言
使用scrapy進(jìn)行大型爬取任務(wù)的時候（爬取耗時以天為單位），無論主機(jī)網(wǎng)速多好，爬完之后總會發(fā)現(xiàn)scrapy日志中“item_scraped_count”不等于預(yù)先的種子數(shù)量，總有一部分種子爬取失敗，失敗的類型可能有如下圖兩種（下圖為scrapy爬取結(jié)束完成時的日志）：
scrapy中常見的異常包括但不限于：download error（藍(lán)色區(qū)域）, http code 403/500（橙色區(qū)域）。
不管是哪種異常，我們都可以參考scrapy自帶的retry中間件寫法來編寫自己的中間件。
正文
使用IDE，現(xiàn)在scrapy項(xiàng)目中任意一個文件敲上以下代碼：
from scrapy.downloadermiddlewares.retry import RetryMiddleware
按住ctrl鍵，鼠標(biāo)左鍵點(diǎn)擊RetryMiddleware進(jìn)入該中間件所在的項(xiàng)目文件的位置，也可以通過查看文件的形式找到該中間件的位置，路徑是：site-packages/scrapy/downloadermiddlewares/retry.RetryMiddleware
該中間件的源代碼如下：
class RetryMiddleware(object):
# IOError is raised by the HttpCompression middleware when trying to
# decompress an empty response
EXCEPTIONS_TO_RETRY = (defer.TimeoutError, TimeoutError, DNSLookupError,
ConnectionRefusedError, ConnectionDone, ConnectError,
ConnectionLost, TCPTimedOutError, ResponseFailed,
IOError, TunnelError)
def __init__(self, settings):
if not settings.getbool('RETRY_ENABLED'):
raise NotConfigured
self.max_retry_times = settings.getint('RETRY_TIMES')
self.retry_http_codes = set(int(x) for x in settings.getlist('RETRY_HTTP_CODES'))
self.priority_adjust = settings.getint('RETRY_PRIORITY_ADJUST')
@classmethod
def from_crawler(cls, crawler):
return cls(crawler.settings)
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
return response
def process_exception(self, request, exception, spider):
if isinstance(exception, self.EXCEPTIONS_TO_RETRY) \
and not request.meta.get('dont_retry', False):
return self._retry(request, exception, spider)
def _retry(self, request, reason, spider):
retries = request.meta.get('retry_times', 0) + 1
retry_times = self.max_retry_times
if 'max_retry_times' in request.meta:
retry_times = request.meta['max_retry_times']
stats = spider.crawler.stats
if retries <= retry_times:
logger.debug("Retrying %(request)s (failed %(retries)d times): %(reason)s",
{'request': request, 'retries': retries, 'reason': reason},
extra={'spider': spider})
retryreq = request.copy()
retryreq.meta['retry_times'] = retries
retryreq.dont_filter = True
retryreq.priority = request.priority + self.priority_adjust
if isinstance(reason, Exception):
reason = global_object_name(reason.__class__)
stats.inc_value('retry/count')
stats.inc_value('retry/reason_count/%s' % reason)
return retryreq
else:
stats.inc_value('retry/max_reached')
logger.debug("Gave up retrying %(request)s (failed %(retries)d times): %(reason)s",
{'request': request, 'retries': retries, 'reason': reason},
extra={'spider': spider})
查看源碼我們可以發(fā)現(xiàn)，對于返回http code的response，該中間件會通過process_response方法來處理，處理辦法比較簡單，大概是判斷response.status是否在定義好的self.retry_http_codes集合中，通過向前查找，這個集合是一個列表，定義在default_settings.py文件中，定義如下：
RETRY_HTTP_CODES = [500, 502, 503, 504, 522, 524, 408]
也就是先判斷http code是否在這個集合中，如果在，就進(jìn)入retry的邏輯，不在集合中就直接return response。這樣就已經(jīng)實(shí)現(xiàn)對返回http code但異常的response的處理了。
但是對另一種異常的處理方式就不一樣了，剛才的異常準(zhǔn)確的說是屬于HTTP請求error（超時），而另一種異常發(fā)生的時候則是如下圖這種實(shí)實(shí)在在的代碼異常（不處理的話）：
你可以創(chuàng)建一個scrapy項(xiàng)目，start_url中填入一個無效的url即可模擬出此類異常。比較方便的是，在RetryMiddleware中同樣提供了對這類異常的處理辦法：process_exception
通過查看源碼，可以分析出大概的處理邏輯：同樣先定義一個集合存放所有的異常類型，然后判斷傳入的異常是否存在于該集合中，如果在（不分析dont try）就進(jìn)入retry邏輯，不在就忽略。
OK，現(xiàn)在已經(jīng)了解了scrapy是如何捕捉異常了，大概的思路也應(yīng)該有了，下面貼出一個實(shí)用的異常處理的中間件模板：
from twisted.internet import defer
from twisted.internet.error import TimeoutError, DNSLookupError, \
ConnectionRefusedError, ConnectionDone, ConnectError, \
ConnectionLost, TCPTimedOutError
from scrapy.http import HtmlResponse
from twisted.web.client import ResponseFailed
from scrapy.core.downloader.handlers.http11 import TunnelError
class ProcessAllExceptionMiddleware(object):
ALL_EXCEPTIONS = (defer.TimeoutError, TimeoutError, DNSLookupError,
ConnectionRefusedError, ConnectionDone, ConnectError,
ConnectionLost, TCPTimedOutError, ResponseFailed,
IOError, TunnelError)
def process_response(self,request,response,spider):
#捕獲狀態(tài)碼為40x/50x的response
if str(response.status).startswith('4') or str(response.status).startswith('5'):
#隨意封裝，直接返回response，spider代碼中根據(jù)url==''來處理response
response = HtmlResponse(url='')
return response
#其他狀態(tài)碼不處理
return response
def process_exception(self,request,exception,spider):
#捕獲幾乎所有的異常
if isinstance(exception, self.ALL_EXCEPTIONS):
#在日志中打印異常類型
print('Got exception: %s' % (exception))
#隨意封裝一個response，返回給spider
response = HtmlResponse(url='exception')
return response
#打印出未捕獲到的異常
print('not contained exception: %s'%exception)
spider解析代碼示例：
class TESTSpider(scrapy.Spider):
name = 'TEST'
allowed_domains = ['TTTTT.com']
start_urls = ['http://www.TTTTT.com/hypernym/?q=']
custom_settings = {
'DOWNLOADER_MIDDLEWARES': {
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,
'TESTSpider.middlewares.ProcessAllExceptionMiddleware': 120,
},
'DOWNLOAD_DELAY': 1, # 延時最低為2s
'AUTOTHROTTLE_ENABLED': True, # 啟動[自動限速]
'AUTOTHROTTLE_DEBUG': True, # 開啟[自動限速]的debug
'AUTOTHROTTLE_MAX_DELAY': 10, # 設(shè)置最大下載延時
'DOWNLOAD_TIMEOUT': 15,
'CONCURRENT_REQUESTS_PER_DOMAIN': 4 # 限制對該網(wǎng)站的并發(fā)請求數(shù)
}
def parse(self, response):
if not response.url: #接收到url==''時
print('500')
yield TESTItem(key=response.meta['key'], _str=500, alias='')
elif 'exception' in response.url:
print('exception')
yield TESTItem(key=response.meta['key'], _str='EXCEPTION', alias='')
Note：該中間件的Order_code不能過大，如果過大就會越接近下載器，就會優(yōu)先于RetryMiddleware處理response，但這個中間件是用來兜底的，即當(dāng)一個response 500進(jìn)入中間件鏈時，需要先經(jīng)過retry中間件處理，不能先由我們寫的中間件來處理，它不具有retry的功能，接收到500的response就直接放棄掉該request直接return了，這是不合理的。只有經(jīng)過retry后仍然有異常的request才應(yīng)當(dāng)由我們寫的中間件來處理，這時候你想怎么處理都可以，比如再次retry、return一個重新構(gòu)造的response。
下面來驗(yàn)證一下效果如何（測試一個無效的URL），下圖為未啟用中間件的情況：
再啟用中間件查看效果：
ok，達(dá)到預(yù)期效果：即使程序運(yùn)行時拋出異常也能被捕獲并處理。
到此這篇關(guān)于如何在scrapy中捕獲并處理各種異常的文章就介紹到這了,更多相關(guān)scrapy 捕獲處理異常內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Python?Haul利器簡化數(shù)據(jù)爬取任務(wù)提高開發(fā)效率
Haul?是一個專門為數(shù)據(jù)爬取任務(wù)而設(shè)計的?Python?庫,它提供了一系列的工具和功能,幫助我們輕松處理數(shù)據(jù)爬取中的重復(fù)工作和復(fù)雜問題2024-01-01
Python?OpenCV識別行人入口進(jìn)出人數(shù)統(tǒng)計
本文主要介紹了Python?OpenCV識別行人入口進(jìn)出人數(shù)統(tǒng)計，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧<BR>2023-01-01
python輸出100以內(nèi)的質(zhì)數(shù)與合數(shù)實(shí)例代碼
本文通過實(shí)例代碼給大家介紹了python輸出100以內(nèi)的質(zhì)數(shù)與合數(shù)的方法，非常不錯，具有一定的參考借鑒價值，需要的朋友參考下吧2018-07-07
這篇文章主要介紹了Python?多線程爬取案例，爬蟲屬于I/O密集型的程序，所以使用多線程可以大大提高爬取效率，文章圍繞主題展開詳細(xì)的內(nèi)容介紹，具有一定的參考價值，需要的小伙伴可以參考一下2022-08-08
這篇文章主要介紹了Python語法快速入門指南,包括注釋和引號的使用等基本語法知識,需要的朋友可以參考下2015-10-10
PyQt5每天必學(xué)之創(chuàng)建窗口居中效果
這篇文章主要介紹了PyQt5每天必學(xué)之創(chuàng)建窗口居中效果，使應(yīng)用程序窗口顯示在屏幕的中心，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-04-04
python消費(fèi)kafka數(shù)據(jù)批量插入到es的方法
今天小編就為大家分享一篇python消費(fèi)kafka數(shù)據(jù)批量插入到es的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-12-12
Python的異常處理能力是很強(qiáng)大的,它有很多內(nèi)置異常,可向用戶準(zhǔn)確反饋出錯信息,下面這篇文章主要給大家介紹了關(guān)于Python基礎(chǔ)教程之異常處理的相關(guān)資料,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下2023-04-04
Python實(shí)現(xiàn)新版正方系統(tǒng)滑動驗(yàn)證碼識別
這篇文章主要介紹了基于Python實(shí)現(xiàn)新版正方系統(tǒng)滑動驗(yàn)證碼識別算法和方案，文中示例代碼對我們的學(xué)習(xí)和工作有一定的幫助，感興趣的可以了解一下2021-12-12
下面小編就為大家?guī)硪黄赑ython的接口測試框架實(shí)例。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2016-11-11