JAVA高级面试进阶训练营视频教程

admin

Windows 10家庭中文版，Python 3.6.4，Scrapy 1.5.0，

 

提示：此文存在问题，真正测试， 请勿阅读，

 

07-14 14:26更新：

经过两个多小时的测试，发现此问题的原因是 昨天编写爬虫程序后，给爬虫程序添加了下面的属性：

download_timeout = 20

此属性的解释：

The amount of time (in secs) that the downloader will wait before timing out.

在获取某网站的子域名的robots.txt文件时，需要的时间远远超过20秒，因此，即便有三次重试的机会，也会最终失败。

此值默认为180，因为某网站是国内网站，因此，孤以为它的文件全部都会下载的很快，不需要180这么大，于是更改为20，谁知道，其下子域名的robots.txt却需要这么久：

测试期间更改为30时，状况好了，目前已取消设置此值，已能抓取到需要的数据。

可是，为什么robots.txt会下载这么慢呢？

 

删除Request中定义的errback进行测试，也可以获取到需要的数据。

那么，在Request中定义errback有什么用呢？

 

现在，再次在项目内、项目外执行下面的命令都不会发生DNSLookupError了（测试过）（可是，上午怎么就发生了呢？）：

scrapy shell "http://money.163.com/18/0714/03/DML7R3EO002580S6.html"

 

--------可以忽略后面部分--------

 

昨日写了一个爬虫程序，用来抓取新闻数据，但在抓取某网站数据时发生了错误：超时、重试……开始是超过默认等待180秒的时间，后来自己在爬虫程序中改为了20秒，所以下图显示为20 seconds。

 

完全不知道怎么回事！上面是使用Scrapy项目内的基于CrawlerRunner编写的程序运行的，看不到更多数据！

尝试将爬虫中的allowed_domains改为下面两种形式（最后会使用第二种）进行测试——以为和子域名有关系：仍然失败。

1 #allowed_domains = ['www.163.com', 'money.163.com', 'mobile.163.com',
2 #                   'news.163.com', 'tech.163.com']
3 
4 allowed_domains = ['163.com']

 

后来又在settings.py中关闭了robots.txt协议、开启了Cookies支持：仍然失败。

1 # Obey robots.txt rules
2 ROBOTSTXT_OBEY = False
3 
4 # Disable cookies (enabled by default)
5 COOKIES_ENABLED = True

 

此时，依靠着之前的知识储备是无法解决问题的了！

 

使用scrapy shell对获取超时的网页进行测试，结果得到了twisted.internet.error.DNSLookupError的异常信息：

scrapy shell "http://money.163.com/18/0714/03/DML7R3EO002580S6.html"

 

但是，使用ping命令却可以得到上面失败的子域名的IP地址：

 

twisted作为一个很常用的Python库，怎么会发生这样的问题呢！完全不应该的！

 

求助网络吧！最终找到下面的文章：

How do I catch errors with scrapy so I can do something when I get User Timeout error?

 

最佳答案！中文什么意思：在Request实例中定义errback！（请读三遍）

 

这么简单？和处理DNSLookupError错误有什么关系呢？为何定义了回调函数就可以了呢？

没想明白，不行动……

继续搜索，没有更多了……

 

好吧，试试这个方法，更改某网站的爬虫程序如下：

增加了errback = self.errback_163，其中，回调函数errback_163的写法和上面的参考文章中的一致（后来发现其来自Scrapy官文Requests and Responses中）。

1 yield response.follow(item, callback = self.parse_a_new,
2                                   errback = self.errback_163)

 

准备就绪，使用scapy crawl测试最新程序（在将之前修改的配置还原后——遵守robots.txt协议、禁止Cookies、allowed_domains设置为163.com）：成功抓取了想要的数据！

 

好了，问题解决了。可是，之前的疑问还是没有解决~后续再dig吧！~“神奇的”errback！~