阅读 30

爬虫|如何在scrapy请求异常之后再设置代理IP

我们都知道 scrapy 可以设置代理 IP,但是不知道大家有没有遇到这样一个场景:

常规的代理 IP 设置,会对每个请求都生效,也就是说每个请求都会去使用代理

但是有些请求根本不需要代理,我希望当我的请求出现错误或超时的时候再去设置代理 IP

这样既节省了资源,又缩短了请求的时间,毕竟有些代理质量真的一言难尽

那么怎么才能让它请求超时的时候,再使用代理 IP 进行重新请求呢?

很容易就想到下载中间件,DowmloaderMiddleware

一个介于 request, response 中间的钩子,用于修改 request 和处理 response

首先我们需要捕获超时等异常的请求,在下载中间件中添加如下代码:

from twisted.internet.error import TCPTimedOutError, TimeoutError

def process_exception(self, request, exception, spider):
        if isinstance(exception, TimeoutError):
            self.process_request_back(request, spider)  # 连接超时才启用代理ip机制
            return request

        elif isinstance(exception, TCPTimedOutError):
            self.process_request_back(request, spider)
            return request
复制代码

以上代码的作用就是捕获异常请求,同时调用设置代理 IP 的函数,并返回该请求

下面的设置 IP 的代码

def process_request_back(self, request, spider):
        request.meta["proxy"] = xun.proxy
        request.headers["Proxy-Authorization"] = xun.headers
复制代码

注意不能使用 process_request() 方法, 如果代理添加在该方法下,就是上文所说的常规的设置代理 IP 方法

同时对于 scrapy 出现 TimeoutError,TCPTimedOutError 等异常的时候,还可以通过以下几种方案来解决:

主要通过设置文件来更改

1、降低同时请求的数量

CONCURRENT_REQUESTS = 5
复制代码

2、 增加超时时间

DOWNLOAD_TIMEOUT = 300
复制代码

3、 增加异常重试次数

RETRY_TIMES = 5
复制代码

第四种就是开头所讲的,在请求超时后再添加代理 IP

你学废了吗?