Middleware код из OP от комментариев
def __init__(self, crawler):
self.client = Redis()
self.crawler = crawler
self.crawler.signals.connect(self.process_request, signals.request_scheduled)
def process_request(self, request, spider):
if not self.client.is_deferred(request.url): # URL is not deferred, proceed as normal
return None
raise IgnoreRequest('URL is deferred')
Проблема с обработчик сигнала вы добавили на signals.request_scheduled
. Если это вызывает исключение, it will appear in the logs
Я считаю, что некорректно (или не обязательно) регистрировать process_request
в качестве обработчика сигналов здесь.
Я могу воспроизвести ваши ошибки консоли с этим подобным (некорректной) тест промежуточного слоя, который игнорируемых любой другой запрос, он видит:
from scrapy import log, signals
from scrapy.exceptions import IgnoreRequest
class TestMiddleware(object):
def __init__(self, crawler):
self.counter = 0
@classmethod
def from_crawler(cls, crawler):
o = cls(crawler)
crawler.signals.connect(o.open_spider, signals.spider_opened)
# this raises an exception always and will trigger errors in the console
crawler.signals.connect(o.process, signals.request_scheduled)
return o
def open_spider(self, spider):
spider.logger.info('TestMiddleware.open_spider()')
def process_request(self, request, spider):
spider.logger.info('TestMiddleware.process_request()')
self.counter += 1
if (self.counter % 2) == 0:
raise IgnoreRequest("ignoring request %d" % self.counter)
def process(self, *args, **kwargs):
raise Exception
Посмотрите, что консоль говорит при запуске паука с этим промежуточное программное обеспечение:
2016-04-06 00:16:58 [scrapy] ERROR: Error caught on signal handler: <bound method ?.process of <mwtest.middlewares.TestMiddleware object at 0x7f83d4a73f50>>
Traceback (most recent call last):
File "/home/paul/.virtualenvs/scrapy11rc3.py27/local/lib/python2.7/site-packages/scrapy/utils/signal.py", line 30, in send_catch_log
*arguments, **named)
File "/home/paul/.virtualenvs/scrapy11rc3.py27/local/lib/python2.7/site-packages/pydispatch/robustapply.py", line 55, in robustApply
return receiver(*arguments, **named)
File "/home/paul/tmp/mwtest/mwtest/middlewares.py", line 26, in process
raise Exception
Exception
code is here.
Сравните с этим:
$ cat middlewares.py
from scrapy import log, signals
from scrapy.exceptions import IgnoreRequest
class TestMiddleware(object):
def __init__(self, crawler):
self.counter = 0
@classmethod
def from_crawler(cls, crawler):
o = cls(crawler)
crawler.signals.connect(o.open_spider, signals.spider_opened)
return o
def open_spider(self, spider):
spider.logger.info('TestMiddleware.open_spider()')
def process_request(self, request, spider):
spider.logger.info('TestMiddleware.process_request()')
self.counter += 1
if (self.counter % 2) == 0:
raise IgnoreRequest("ignoring request %d" % self.counter)
IgnoreRequest
не печатается в журналах, но у вас есть счетчики исключений в статистике в конце:
$ scrapy crawl httpbin
2016-04-06 00:27:24 [scrapy] INFO: Scrapy 1.1.0rc3 started (bot: mwtest)
(...)
2016-04-06 00:27:24 [scrapy] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
'scrapy.downloadermiddlewares.retry.RetryMiddleware',
'mwtest.middlewares.TestMiddleware',
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
'scrapy.downloadermiddlewares.chunked.ChunkedTransferMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
(...)
2016-04-06 00:27:24 [scrapy] INFO: Spider opened
2016-04-06 00:27:24 [scrapy] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2016-04-06 00:27:24 [httpbin] INFO: TestMiddleware.open_spider()
2016-04-06 00:27:24 [scrapy] DEBUG: Telnet console listening on 127.0.0.1:6023
2016-04-06 00:27:24 [httpbin] INFO: TestMiddleware.process_request()
2016-04-06 00:27:24 [httpbin] INFO: TestMiddleware.process_request()
2016-04-06 00:27:24 [httpbin] INFO: TestMiddleware.process_request()
2016-04-06 00:27:24 [httpbin] INFO: TestMiddleware.process_request()
2016-04-06 00:27:24 [httpbin] INFO: TestMiddleware.process_request()
2016-04-06 00:27:24 [scrapy] DEBUG: Crawled (200) <GET http://www.httpbin.org/user-agent> (referer: None)
2016-04-06 00:27:25 [scrapy] DEBUG: Crawled (200) <GET http://www.httpbin.org/> (referer: None)
2016-04-06 00:27:25 [scrapy] DEBUG: Crawled (200) <GET http://www.httpbin.org/headers> (referer: None)
2016-04-06 00:27:25 [scrapy] INFO: Closing spider (finished)
2016-04-06 00:27:25 [scrapy] INFO: Dumping Scrapy stats:
{'downloader/exception_count': 2,
'downloader/exception_type_count/scrapy.exceptions.IgnoreRequest': 2,
'downloader/request_bytes': 665,
'downloader/request_count': 3,
'downloader/request_method_count/GET': 3,
'downloader/response_bytes': 13006,
'downloader/response_count': 3,
'downloader/response_status_count/200': 3,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2016, 4, 5, 22, 27, 25, 596652),
'log_count/DEBUG': 4,
'log_count/INFO': 13,
'log_count/WARNING': 1,
'response_received_count': 3,
'scheduler/dequeued': 5,
'scheduler/dequeued/memory': 5,
'scheduler/enqueued': 5,
'scheduler/enqueued/memory': 5,
'start_time': datetime.datetime(2016, 4, 5, 22, 27, 24, 661345)}
2016-04-06 00:27:25 [scrapy] INFO: Spider closed (finished)
Можете ли вы поделиться тем, что вы видите в журналах? и что вы хотели бы иметь вместо этого? О фильтрации дубликатов по умолчанию по умолчанию действительно довольно просто, на основе [отпечатка пальца запроса (от канонического URL, метода HTTP, тела и заголовков необязательно) (https://github.com/scrapy/scrapy/blob/75cd056223a5a8da87a361aee42a541afcf27553/scrapy /utils/request.py#L19)), но [dupefilter настраивается] (http://doc.scrapy.org/en/latest/topics/settings.html?#std:setting-DUPEFILTER_CLASS). Если у вас есть идеи о том, как улучшить или упростить или прояснить дизайн, не стесняйтесь открывать дискуссию о Github. –
ОШИБКА: Ошибка захвата обработчика сигнала:> Traceback (последний последний вызов): Файл «/Library/Python/2.7/site-packages/scrapy/utils/signal.py», строка 26, в send_catch_log * arguments, ** named) Файл «/Library/Python/2.7/site-packages/scrapy/xlib/pydispatch/robustapply.py», строка 57, в robustApply приемник возврата (* аргументы, ** названный) Файл «.../отложенные .py», строка 22, в process_request рейза IgnoreRequest ('URL откладывается') IgnoreRequest: URL отсрочена –
infomaniac
Мой промежуточный слой выглядит следующим образом: определение функции __init __ (самостоятельно, гусеничный): self.client = Redis () self.crawler = crawler self.crawler.signals.connect (self.process_request, signals.request_scheduled) Защиту process_request (я, запрос, паук): если не self.client.is_deferred (request.url): # URL не откладывается , продолжайте, как обычно, return None raise IgnoreRequest ('URL is offfer') ' – infomaniac