Python Scrapy 不会重试超时连接答案

【问题标题】：Python Scrapy doesn't retry timeout connectionPython Scrapy 不会重试超时连接
【发布时间】：2013-12-30 06:43:59
【问题描述】：

我使用了一些代理来抓取一些网站。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proxy有时候不是很稳定，process_exception经常会提示很多请求失败的信息。这里的问题是失败的请求再也没有被尝试过。

如前所述，我设置了RETRY_TIMES和RETRY_HTTP_CODES设置，并且在代理中间件的process_exception方法中也返回了重试请求。

为什么 scrapy 不再重试失败请求，或者我如何确保至少尝试了我在 settings.py 中设置的 RETRY_TIMES 请求？

【问题讨论】：

标签： python web-scraping screen-scraping scrapy

【解决方案1】：

感谢 Scrapy IRC 频道 @nyov 的帮助。

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

这里重试中间件首先运行，因此它会在请求到达代理中间件之前重试请求。在我的情况下，scrapy 需要代理来抓取网站，否则它将无休止地超时。

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，

【讨论】：

【解决方案2】：

您的代理下载中间件似乎 -> process_response 没有按规则行事，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。

如果它返回一个响应（它可能是相同的给定响应，也可能是一个全新的响应），该响应将继续使用链中下一个中间件的 process_response() 进行处理。

...

【讨论】：