Scrapy中process_request返回request和None的区别

发表于 更新于 分类于

前言

上篇文章中遇到了一个问题，就是在 process_request 函数中返回 request 对象导致爬虫退出的问题，这篇文章来解释下。

环境搭建

为了弄清楚这个问题，首先搭建一个可以运行 scrapy 的环境，新建一个 scrapy 项目，scrapy startproject testscrapy，之后添加一个名为 testscrapy 的爬虫，代码为：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
import scrapy as scrapy
from scrapy import Request


class TestScrapy(scrapy.Spider):
    name = 'testscrapy'

    def start_requests(self):
        # 使用http方便抓包
        yield Request(url='http://httpbin.org', callback=self.parse)

    def parse(self, response, **kwargs):
        print(response.status)
        print(response.xpath('//title/text()').get())

并且在设置中开启下载中间件，运行下爬虫没有问题环境就搭建好了。

问题原因

首先以正常模式运行爬虫，没有问题，可以正常打印状态码和 title。

接着修改下载中间件，在请求头中随意添加一个键值对。

运行爬虫，抓包可以看到请求头被正常添加进去了。

此时如果将返回值修改为 request 对象的话，爬虫会直接退出。

并不会打印状态码和 title，这里有两条日志供我们分析。

  • 首先是递归错误，超过了最大递归深度（RecursionError: maximum recursion depth exceeded while calling a Python object）。

  • 其次是不再显示重复项（no more duplicates will be shown (see DUPEFILTER_DEBUG to show all duplicates)）

看到第一条日志我猜测可能是出现了死循环，process_request 函数在不停的调用自己。

看到第二条日志我猜测可能是 request 被重复调度了，scrapy 发现返回的 request 对象已经被请求过了，所以不再调度它。由于 scrapy 默认开启了 URL 去重，所以 request 对象会被丢掉。

再来看日志顺序，重复调度日志在递归错误之后，这里可以猜测在递归错误报错后（因为死循环时是无法调度的）调度器才调度到了 request 对象，然后发现请求过了，之后打印日志，丢掉 request 请求对象。

为了证明 process_request 进入了死循环，加一个延迟，运行爬虫。

可以看到，一直在打印数字 1，没有打印重复调度的日志，直到递归错误，爬虫才会往下继续运行提示重复调度。

到这里原因就很明显了，如果 process_request 方法返回一个 request 请求的话，scrapy 会马上将这个 request 对象添加到下载队列（不会进入到下载器），然后继续处理它，由于 process_request 方法又会返回 request 对象，又会重复将 request 对象添加到下载队列，进入到了死循环。

当发生递归错误之后，死循环被打破，scrapy 提示重复调度，丢掉请求，爬虫退出。

解决方法

所以解决方案就是：不要默认返回 request 对象！

如果只是添加请求头，修改代理 IP 等需求，直接返回 None 就可以了，scrapy 会将修改后的 request 对象调度到下载器去下载。

如果需要将一个请求转到另一个请求的话，需要做好判断后返回 request 对象。

例如：如果想要将 httpbin.org 的请求转发到 baidu，可以按照以上的代码来请求，可以看到，返回了正确的状态码和百度的 title。

顺便再来说下返回值为 response 对象的适用范围。

如果 process_request 方法返回一个 response 对象的话，说明不需要 scrapy 的下载器来下载响应，直接就可以将 response 对象当作下载好的响应返回。

例如：

可以看到状态码和 body 都是返回的 response 响应里面的内容，而不是 httpbin 网站的 title。

最常见的用途就是 selenium，它使用 selenium 来渲染网页，然后将获取到的源代码封装成 response 对象返回，巧妙地跳过了 scrapy 自带的下载器，因为它不能执行 JS 代码。

总结

通过以上的实验，可以得知 scrapy 下载中间件死循环的原因和解决方法，scrapy 的官方文档只有简单的几句话介绍，并没有更详细的解释，所以在遇到这种解释很简单的方法时，最好自己动手实验一下，可以加深自己对 scrapy 的理解。

本文章首发于个人博客 LLLibra146’s blog
本文作者：LLLibra146
更多文章请关注：qrcode
版权声明：本博客所有文章除特别声明外，均采用 © BY-NC-ND 许可协议。非商用转载请注明出处！严禁商业转载！
本文链接：
https://blog.d77.xyz/archives/67ddca4b.html