如何将由于 503 导致的刮擦失败标记为 Scrapy 中的错误？

Question

所以我在爬行时得到状态 503。它已重试，但随后被忽略。我希望它被标记为错误，而不是被忽略。该怎么做？

我更喜欢将它设置为settings.py，这样它就适用于我所有的蜘蛛。 handle_httpstatus_list 似乎只会影响一只蜘蛛。

Answer 1

最后，我覆盖了重试中间件，只是为了做一点小改动。我是这样设置的，每次爬虫放弃重试某个东西，不管状态码是什么，都会被标记为错误。

似乎 Scrapy 不会将放弃重试视为错误。这对我来说很奇怪。

如果有人想使用它，这就是中间件。不要忘记在settings.py上激活它

from scrapy.downloadermiddlewares.retry import *

class Retry500Middleware(RetryMiddleware):

    def _retry(self, request, reason, spider):
        retries = request.meta.get('retry_times', 0) + 1

        if retries <= self.max_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
            return retryreq
        else:
            # This is the point where I update it. It used to be `logger.debug` instead of `logger.error`
            logger.error("Gave up retrying %(request)s (failed %(retries)d times): %(reason)s",
                         {'request': request, 'retries': retries, 'reason': reason},
                         extra={'spider': spider})

Answer 2

您应该研究两个设置：

RETRY_HTTP_CODES:

默认值：[500、502、503、504、408]

要重试哪些 HTTP 响应代码。总是会重试其他错误（DNS 查找问题、连接丢失等）。

https://doc.scrapy.org/en/latest/topics/downloader-middleware.html#retry-http-codes

还有HTTPERROR_ALLOWED_CODES:

默认值：[]

传递此列表中包含的所有非 200 状态代码的响应。

https://doc.scrapy.org/en/latest/topics/spider-middleware.html#std:setting-HTTPERROR_ALLOWED_CODES