有些网站在检测到爬虫时不会直接返回401之类的异常状态码,而是重新重定向到另一个页面,但我们并不能从重定向的页面中获取到数据,因此我们重写RetryMiddleware来解决这一问题,在被重定向时进行重试,以期在下次更换IP或header后可以正常访问。
首先我们需要大致了解一下scrapy.downloadermiddlewares.retry.RetryMiddleware的源代码,可以看一下这篇博客,写的蛮好的。他这篇文章下面评论区有一些问题,我也闲着没事去做了解答。
如果我们的页面被重定向,不论是用xpath还是正则表达式,在我们找不到数据时都会因为返回空列表出现IndexError的错误,所以我们只要在出现IndexError时重试就OK了。
打开middlewares.py, 创建自定义重试中间件,继承自scrapy.downloadermiddlewares.retry.RetryMiddleware。
from scrapy.downloadermiddlewares.retry import RetryMiddleware
class MyRetryMiddleware(RetryMiddleware):
# 在Exception列表中添加IndexError覆盖原列表,从而在被重定向时重试
EXCEPTIONS_TO_RETRY = (defer.TimeoutError, TimeoutError, DNSLookupError,
ConnectionRefusedError, ConnectionDone, ConnectError,
ConnectionLost, TCPTimedOutError, ResponseFailed,
IOError, TunnelError, IndexError)
打开settings.py,处理方法与前两篇文章相同,优先级的设置依然参考scrapy中间件文档。
DOWNLOADER_MIDDLEWARES = {
# 关闭默认retry中间件,替换为自己的中间件
'scrapy.downloadermiddlewares.retry.RetryMiddleware': None,
'项目名.middlewares.MyRetryMiddleware': 550,
}