前言:
今天我们来聊一聊Scrapy爬虫中的请求处理与返回策略。你有没有遇到过一个Item需要由多个请求组成的情况？如果是的话，那么对请求的处理和决定是否返回处理过的Item对象就变得格外重要。看一下Scrapy中的相关策略，实现爬虫的`完美康复`。
正文:
请求处理流程:
- 发起请求：使用Scrapy的调度器或代码发起网络请求。
- 下载页面：Scrapy将请求发送给下载器，获取页面的响应。
- 回调方法：根据请求的设置，Scrapy将返回的响应传递给合适的回调方法。
- 数据处理：在对应的回调方法中，解析页面并提取所需的数据。
- Item返回：根据实际需求，决定是否返回填充了数据的Item对象。
多请求组装Item:
- 场景描述：我们经常会遇到需要多个HTML请求才能组装出完整Item的情况。
- 请求超时处理：为了稳定性，合理设置请求的超时时间。你可以使用DOWNLOAD_TIMEOUT参数或在请求的meta中设置download_timeout字段。
- 异常处理：在回调方法中，针对请求发生的异常进行处理。要根据具体情况，判断是否成功获取了所需的数据。如超时、状态码、数据为空等情况。
- Item填充与返回：根据需要，设置合适的逻辑来决定是否返回处理过的Item对象。如果Item的字段完整且有效，那么值得返回；否则，可以选择其他处理方式。
请求处理与异常处理:
- 请求处理：在中间件的process_response方法中，我们可以对请求进行处理。根据响应的有效性进行判断和处理，如移除无效的代理IP、设置重试次数等。
- 异常处理：在中间件的process_exception方法中，我们可以处理请求发生的异常。可以对相关的代理IP进行清理、记录日志、重新发送请求等。需要根据不同的异常类型进行相应的处理。
返回处理与决策:
- 返回处理：在回调方法中，我们可以进行返回处理。根据需求，决定是否返回处理过的Item对象，并在处理过程中判断和处理Item的数据。
- 判断条件：我们可以根据字段的有效性、是否为空、类型等进行判断。如果需要返回完整的Item对象，请确保所有字段都被正确填充。
- 失败请求处理：如果请求失败且不需要返回处理过的Item对象，可以进行其他相关处理，如记录日志、抛出异常等。
案例: (理解请求处理和返回策略)
import scrapy
class MySpider(scrapy.Spider):
name = "example"
def start_requests(self):
urls = [
'http://www.example.com/page1',
'http://www.example.com/page2',
'http://www.example.com/page3',
'http://www.example.com/page4',
'http://www.example.com/page5',
]
for url in urls:
yield scrapy.Request(url=url, callback=self.parse, meta={'download_timeout': 3})
def parse(self, response):
# 解析HTML内容，提取数据
data = response.css('.my-class::text').get()
# 创建Item对象
item = {}
item['data'] = data
# 判断是否获取到了完整的Item数据
if item['data']:
yield item
else:
self.logger.warning('Incomplete item: missing data')
# 判断是否所有请求都已处理完毕
if all(response.request.url.endswith(str(i)) for i in range(1, 6)):
self.logger.info('All requests processed')
