[Scrapy使用技巧] 如何在scrapy中捕獲並處理各種異常
前言
使用scrapy進行大型爬取任務的時候（爬取耗時以天為單位），無論主機網速多好，爬完之後總會發現scrapy日誌中“item_scraped_count”不等於預先的種子數量，總有一部分種子爬取失敗，失敗的型別可能有如下圖兩種（下圖為scrapy爬取結束完成時的日誌）：
scrapy中常見的異常包括但不限於：download error（藍色區域）, http code 403/500（橙色區域）。
不管是哪種異常，我們都可以參考scrapy自帶的retry中介軟體寫法來編寫自己的中介軟體。
正文
使用IDE，現在scrapy專案中任意一個檔案敲上以下程式碼：
from scrapy.downloadermiddlewares.retry import RetryMiddleware按住ctrl鍵，滑鼠左鍵點選RetryMiddleware進入該中介軟體所在的專案檔案的位置，也可以通過檢視檔案的形式找到該該中介軟體的位置，路徑是：site-packages/scrapy/downloadermiddlewares/retry.RetryMiddleware
該中介軟體的原始碼如下：
class RetryMiddleware(object): # IOError is raised by the HttpCompression middleware when trying to # decompress an empty response EXCEPTIONS_TO_RETRY = (defer.TimeoutError, TimeoutError, DNSLookupError, ConnectionRefusedError, ConnectionDone, ConnectError, ConnectionLost, TCPTimedOutError, ResponseFailed, IOError, TunnelError) def __init__(self, settings): if not settings.getbool('RETRY_ENABLED'): raise NotConfigured self.max_retry_times = settings.getint('RETRY_TIMES') self.retry_http_codes = set(int(x) for x in settings.getlist('RETRY_HTTP_CODES')) self.priority_adjust = settings.getint('RETRY_PRIORITY_ADJUST') @classmethod def from_crawler(cls, crawler): return cls(crawler.settings) def process_response(self, request, response, spider): if request.meta.get('dont_retry', False): return response if response.status in self.retry_http_codes: reason = response_status_message(response.status) return self._retry(request, reason, spider) or response return response def process_exception(self, request, exception, spider): if isinstance(exception, self.EXCEPTIONS_TO_RETRY) \ and not request.meta.get('dont_retry', False): return self._retry(request, exception, spider) def _retry(self, request, reason, spider): retries = request.meta.get('retry_times', 0) + 1 retry_times = self.max_retry_times if 'max_retry_times' in request.meta: retry_times = request.meta['max_retry_times'] stats = spider.crawler.stats if retries <= 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 if isinstance(reason, Exception): reason = global_object_name(reason.__class__) stats.inc_value('retry/count') stats.inc_value('retry/reason_count/%s' % reason) return retryreq else: stats.inc_value('retry/max_reached') logger.debug("Gave up retrying %(request)s (failed %(retries)d times): %(reason)s", {'request': request, 'retries': retries, 'reason': reason}, extra={'spider': spider})
檢視原始碼我們可以發現，對於返回http code的response，該中介軟體會通過process_response方法來處理，處理辦法比較簡單，大概是判斷response.status是否在定義好的self.retry_http_codes集合中，通過向前查詢，這個集合是一個列表，定義在default_settings.py檔案中，定義如下：
RETRY_HTTP_CODES = [500, 502, 503, 504, 522, 524, 408]也就是先判斷http code是否在這個集合中，如果在，就進入retry的邏輯，不在集合中就直接return response。這樣就已經實現對返回http code但異常的response的處理了。
但是對另一種異常的處理方式就不一樣了，剛才的異常準確的說是屬於http error，而另一種異常發生的時候則是如下圖這種實實在在的程式碼異常（不處理的話）：
你可以建立一個scrapy專案，start_url中填入一個無效的url即可模擬出此類異常。比較方便的是，在RetryMiddleware中同樣提供了對這類異常的處理辦法：process_exception
通過檢視原始碼，可以分析出大概的處理邏輯：同樣先定義一個集合存放所有的異常型別，然後判斷傳入的異常是否存在於該集合中，如果在（不分析dont try）就進入retry邏輯，不在就忽略。
OK，現在已經瞭解了scrapy是如何捕捉異常了，大概的思路也應該有了，下面貼出一個實用的異常處理的中介軟體模板：
from twisted.internet import defer
from twisted.internet.error import TimeoutError, DNSLookupError, \
ConnectionRefusedError, ConnectionDone, ConnectError, \
ConnectionLost, TCPTimedOutError
from twisted.web.client import ResponseFailed
from scrapy.core.downloader.handlers.http11 import TunnelError
class ProcessAllExceptionMiddleware(object):
ALL_EXCEPTIONS = (defer.TimeoutError, TimeoutError, DNSLookupError,
ConnectionRefusedError, ConnectionDone, ConnectError,
ConnectionLost, TCPTimedOutError, ResponseFailed,
IOError, TunnelError)
def process_response(self,request,response,spider):
#捕獲狀態碼為40x/50x的response
if str(response.status).startswith('4') or str(response.status).startswith('5'):
#隨意封裝，直接返回response，spider程式碼中根據url==''來處理response
response = HtmlResponse(url='')
return response
#其他狀態碼不處理
return response
def process_exception(self,request,exception,spider):
#捕獲幾乎所有的異常
if isinstance(exception, self.ALL_EXCEPTIONS):
#在日誌中列印異常型別
print('Got exception: %s' % (exception))
#隨意封裝一個response，返回給spider
response = HtmlResponse(url='exception')
return response
#打印出未捕獲到的異常
print('not contained exception: %s'%exception)spider解析程式碼示例：
class TESTSpider(scrapy.Spider):
name = 'TEST'
allowed_domains = ['TTTTT.com']
start_urls = ['http://www.TTTTT.com/hypernym/?q=']
custom_settings = {
'DOWNLOADER_MIDDLEWARES': {
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,
'TESTSpider.middlewares.ProcessAllExceptionMiddleware': 120,
},
'DOWNLOAD_DELAY': 1, # 延時最低為2s
'AUTOTHROTTLE_ENABLED': True, # 啟動[自動限速]
'AUTOTHROTTLE_DEBUG': True, # 開啟[自動限速]的debug
'AUTOTHROTTLE_MAX_DELAY': 10, # 設定最大下載延時
'DOWNLOAD_TIMEOUT': 15,
'CONCURRENT_REQUESTS_PER_DOMAIN': 4 # 限制對該網站的併發請求數
}
def parse(self, response):
if not response.url: #接收到url==''時
print('500')
yield TESTItem(key=response.meta['key'], _str=500, alias='')
elif 'exception' in response.url:
print('exception')
yield TESTItem(key=response.meta['key'], _str='EXCEPTION', alias='')Note：該中介軟體的Order_code不能過大，如果過大就會越接近下載器（預設中介軟體執行的Order點選這裡檢視），就會優先於RetryMiddleware處理response，但這個中介軟體是用來兜底的，即當一個response 500進入中介軟體鏈時，需要先經過retry中介軟體處理，不能先由我們寫的中介軟體來處理，它不具有retry的功能，接收到500的response就直接放棄掉該request直接return了，這是不合理的。只有經過retry後仍然有異常的request才應當由我們寫的中介軟體來處理，這時候你想怎麼處理都可以，比如再次retry、return一個重新構造的response。。。怎麼玩都行。
下面來驗證一下效果如何（測試一個無效的URL），下圖為未啟用中介軟體的情況：
再啟用中介軟體檢視效果：
ok，達到預期效果：即使程式執行時丟擲異常也能被捕獲並處理。
如果你有什麼意見或建議，請給我留言，生活愉快~