爬虫工作量由小到大的思维转变---＜第五章 Scrapy异常设置＞

前言:

首先，确保大家都明白，无论我们做得多么小心，异常情况在爬虫中总会发生。比如说，服务器可能会突然宕机，或者页面结构变了导致我们的爬虫拿不到正确的数据。这就是为什么记录异常非常关键，这样当事情不按计划发生时，我们可以回过头去看看出了什么问题。

正文:

1.重试机制（用一个运维的例子来说明）：

就像是，当你去银行取钱，假设ATM机出了问题，你不会立马放弃吧，你可能会再试一次。同样，如果我们的爬虫在抓取数据时遇到问题，我们也要让它重试几次。在Scrapy中，设置这个其实超简单，只需要在settings.py里设置RETRY_TIMES这个变量，例如设为2，就像给ATM机两次机会一样。

----要实现这个需求，首先需要为Scrapy爬虫添加重试机制

?在 `settings.py` 文件中，设置重试次数。添加或修改以下设置：

# 设置失败时重试的次数，默认是2
RETRY_TIMES = 2

这样就行了,剩余的交给scrapy自己去处理!

---

?

2. 要捕获异常并生成txt报告，需要自定义中间件。

自定义中间件（这里可以用个报告问题的例子）：

比如说，当你发现项目中出现问题时，你需要填写一个异常报告，方便日后的跟踪和修复。在Scrapy中，我们通过创建一个名为ExceptionLoggingMiddleware的中间件来做这件事。无论是因为请求失败了，还是出了别的什么状况，只要有什么事情偏离了正轨，这个中间件就会记录下所有细节，包括哪个URL出问题了，错误的状态是什么，然后把这些信息存进一个error_report.txt，就好比异常的档案文件。

在 `middlewares.py` 文件中（如果不存在，则需要创建该文件，并在 `settings.py` 中启用它），添加一个新的中间件类：

from scrapy import signals
import logging?

class ExceptionLoggingMiddleware:
? ? def process_response(self, request, response, spider):
? ? ? ? # 如果响应是异常的
? ? ? ? if response.status != 200: ?# Or use any other criteria for error
? ? ? ? ? ? logging.error(f"Error! Response Status: {response.status}, URL: {response.url}")
? ? ? ? ? ? with open("error_report.txt", "a") as file:
? ? ? ? ? ? ? ? file.write(f"Error! Response Status: {response.status}, URL: {response.url}\n")
? ? ? ? return response

? ? def process_exception(self, request, exception, spider):
? ? ? ? logging.error(f"Exception caught: {exception}, URL: {request.url}")
? ? ? ? with open("error_report.txt", "a") as file:
? ? ? ? ? ? file.write(f"Exception caught: {exception}, URL: {request.url}\n")
? ? ? ? # 回到重试中间件
? ? ? ? return None

然后在 `settings.py` 文件中启用中间件：

DOWNLOADER_MIDDLEWARES = {
? ? 'myproject.middlewares.ExceptionLoggingMiddleware': 540,
}

确保?`process_item` 方法在 `pipelines.py` 中处理异常，并正确地返回 `Request` 或 `Item` 对象。如果返回的是 `Request` 对象，Scrapy 会重新爬取该请求。

注：有些异常并不会经过 `process_exception` 方法，特别是那些在下载器中间件发生的异常（如连接错误）。

补充:

当你在设置的时候,就会发现有两个中间件:

DOWNLOADER_MIDDLEWARES和SPIDER_MIDDLEWARES

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
SPIDER_MIDDLEWARES = {
   "ip_pool.middlewares.IpPoolSpiderMiddleware": 543,
}

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
   "ip_pool.middlewares.IpPoolDownloaderMiddleware": 543,
   "ip_pool.middlewares.ExceptionLoggingMiddleware": 544,
}

那么他们之间的区别是什么呢?

区别DOWNLOADER_MIDDLEWARES和SPIDER_MIDDLEWARES（这里可以用赛车比喻）：
想象一下，Scrapy就像一辆赛车:

DOWNLOADER_MIDDLEWARES----好比是赛车的发动机和底盘，负责确保赛车（也就是我们的请求）能够顺利的从起点（发送请求）前进到终点（获取响应）。它们允许你控制请求的发送，比如改变油门深度（设置代理），或者调整方向盘（修改请求头）。

SPIDER_MIDDLEWARES----就像是赛车的导航团队和战术管理，它们处理从终点回到赛车队的数据（响应），并确保数据信息正确无误地被分析，并且转换成为有用的洞察（解析出来的Items），以便赛车队可以利用这些信息做出战略决策。

**DOWNLOADER_MIDDLEWARES**：

这些中间件作用于Scrapy的Downloader，即发送HTTP请求之前和接收HTTP响应之后的时刻。它们允许处理（修改、丢弃、重定向）请求和响应。

重要的用处包括：

- 设置代理服务器
- 修改User-Agent或其他请求头
- 自动重定向处理
- 请求/响应重写，如填充默认表单数据
- 请求重试，捕获并处理下载过程中的异常

**SPIDER_MIDDLEWARES**：

这些中间件作用于Spider，即响应传递给Spider解析之前以及Spider解析出来的数据项（Items）和新的请求（Requests）返回给引擎之后的时刻。

主要用于：

- 修改进入Spider的响应
- 修改从Spider出来的结果（Items和Requests）
- 捕获Spider处理过程中的异常
- 收集统计数据
- 扩展Spider进行请求的深度限制或宽度优先/深度优先排序

简而言之，`Downloader Middlewares`在下载器层面操作请求与响应，`Spider Middlewares`则是在Spider层面处理响应和结果。这两种中间件提供了一个非常灵活的方式来扩展Scrapy的功能，允许自定义爬虫的请求发送与响应处理流程。

总结:

我们的爬虫项目就像一场精心策划的赛事，而异常日志就是我们比赛中的慢动作重播。我们需要它们来确保如果任何环节出现问题，我们都可以追踪到并在下一轮比赛中做出调整。重试机制是我们恢复比赛的能力，而中间件则是记录比赛中每个转弯、每次刹车的黑匣子。确保我们利用好Scrapy的这些工具，它们能让我们的爬虫即使在遭遇意外时，也能迅速恢复并继续前进。