scrapy.Request的旅行

标签：time   生成器   dom   nload   cookie   循环   队列   产生   nbsp   

使用代理池跑爬虫时，特别关注每个请求是否使用了代理，所以就有了接下来的收获，也有个问题同大家分享。

spider产生请求，例如在for循环中yield，这个生成器会在进入middlewares或下载器之前就被迭代，放入请求队列。

经过middlewares，队列中每个请求均被处理（如设置cookie，添加proxy），然后传递给下载器。但这里有一个需要关注的点，middlewares处理过的请求，下载器不一定立马执行，具体要参考settings中设置的download_delay/per_ip/per_domain。

队列默认的下载顺序是LIFO（后进先出，后进入队列的请求先被下载器执行）。

??若proxy非长效ip，请求在等待执行时，middlewares给其设置的ip可能会失效！

建议：

DOWNLOAD_TIMEOUT 设置小值（默认是180），减少无效ip造成的时间浪费。

判断retry_times，更换代理ip或长效ip。

问题：

是否可能在每个请求给下载器执行前才设置proxy，减少proxy过期的概率/数量/时间?

scrapy.Request的旅行

标签：time   生成器   dom   nload   cookie   循环   队列   产生   nbsp   

原文地址：https://www.cnblogs.com/luxifa/p/10368464.html