爬虫|如何在scrapy请求异常之后再设置代理IP
爬虫|如何在scrapy请求异常之后再设置代理IP
Python编程与实战
发布于 2020-10-30 11:21:31
发布于 2020-10-30 11:21:31
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
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
注意不能使用 process_request() 方法, 如果代理添加在该方法下，就是常规的代理 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
2、 增加超时时间
DOWNLOAD_TIMEOUT = 300
3、 增加异常重试次数
RETRY_TIMES = 5
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2020-10-26，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读