爬虫工作量由小到大的思维转变---＜第七十三章 ＞ Scrapy爬虫详解一下HTTPERROE的问题

前言：

        在我们的日常工作中，有时会忽略一些工具或组件的重要性，直到它们引起一连串的问题，我们才意识到它们的价值。正如在Scrapy框架中的HttpErrorMiddleware（HTTP错误中间件）一样，在开始时，我并没有太重视它。但在实际工作中由于它引起的问题连贯性，让我深刻认识到了对其进行深入理解的必要性。对此，有必要在这个章节对HttpErrorMiddleware进行一番详尽的分析。

        问题也不会太多，主要讲的就是几个点；关于httperror在前文有过一个简单版本的论述

爬虫工作量由小到大的思维转变---＜第五十三章 Scrapy 降维挖掘---中间件系列(2)＞ (HttpErrorMiddleware、OffsiteMiddleware和RefererMiddl)-CSDN博客

可以先看这篇文章~ 

正文：

        首先，通过源码剖析，我们可以了解到HttpErrorMiddleware的基本作用：它负责处理Spider的HTTP错误，根据配置来决定是否忽略非200响应。简单来说，当响应状态码在200到300之间，Scrapy会认为这是一个成功的响应，并继续其它处理。然而，如果响应状态码不在这个范围内，中间件将决定基于你的设置是否将其忽略：也就是说，如果你通过设置handle_httpstatus_all或
handle_httpstatus_list来明确指出希望接收非200响应，Scrapy会相应地处理这些响应而不是简单地抛出异常。

1.源码刨析：

        a.对应路径：

        b.对应源码：

"""
HttpError Spider Middleware
该中间件处理Spider的HTTP错误。它根据配置决定是否忽略非200响应。
See documentation in docs/topics/spider-middleware.rst
"""
 
import logging
 
from scrapy.exceptions import IgnoreRequest
 
logger = logging.getLogger(__name__)
 
# HttpError类继承自IgnoreRequest，用于表示被过滤的非200响应。
class HttpError(IgnoreRequest):
    """表示一个非200响应被过滤的异常类。
    Attributes:
        response: 发生错误的响应对象。
    """
 
    def __init__(self, response, *args, **kwargs):
        self.response = response
        super().__init__(*args, **kwargs)
 
# 处理HTTP错误的中间件类。
class HttpErrorMiddleware:
    """
    处理Spider输入时的HTTP错误。
    Attributes:
        handle_httpstatus_all: 布尔值，配置项，表示是否允许所有非200响应。
        handle_httpstatus_list: 列表，配置项，包含允许的非200响应状态码。
    """
 
    @classmethod
    def from_crawler(cls, crawler):
        """从爬虫实例创建中间件对象。
        Args:
            crawler: Crawler实例。
        Returns:
            HttpErrorMiddleware实例。
        """
        return cls(crawler.settings)
 
    def __init__(self, settings):
        """初始化中间件。
        Args:
            settings: Scrapy设置对象。
        """
        self.handle_httpstatus_all = settings.getbool("HTTPERROR_ALLOW_ALL")
        self.handle_httpstatus_list = settings.getlist("HTTPERROR_ALLOWED_CODES")
 
    def process_spider_input(self, response, spider):
        """
        处理Spider输入的响应。
        Args:
            response: 响应对象。
            spider: 当前处理的Spider。
        Returns:
            如果响应应该被忽略，则返回None；否则将响应传递给下一个中间件。
        """
        # 如果响应状态码是200到300之间，则认为是成功响应，直接返回。
        if 200 <= response.status < 300:
            return
        meta = response.meta
        # 如果设置为允许所有非200响应，则直接返回。
        if meta.get("handle_httpstatus_all", False):
            return
        # 如果响应元数据中有指定允许的状态码列表，则只处理列表中的状态码。
        if "handle_httpstatus_list" in meta:
            allowed_statuses = meta["handle_httpstatus_list"]
        elif self.handle_httpstatus_all:
            return
        else:
            # 默认情况下，使用Spider或中间件的允许状态码列表。
            allowed_statuses = getattr(
                spider, "handle_httpstatus_list", self.handle_httpstatus_list
            )
        # 如果响应状态码在允许的列表中，则认为是有效响应，返回None。
        if response.status in allowed_statuses:
            return
        # 如果响应状态码未在允许的范围内，则抛出HttpError异常。
        raise HttpError(response, "Ignoring non-200 response")
 
    def process_spider_exception(self, response, exception, spider):
        """
        处理Spider异常。
        Args:
            response: 响应对象。
            exception: 异常对象。
            spider: 当前处理的Spider。
        Returns:
            如果异常为HttpError，则记录日志并忽略该响应；否则将异常传递给下一个中间件。
        """
        # 如果异常为HttpError，则认为是需要忽略的响应。
        if isinstance(exception, HttpError):
            spider.crawler.stats.inc_value("httperror/response_ignored_count")
            spider.crawler.stats.inc_value(
                f"httperror/response_ignored_status_count/{response.status}"
            )
            logger.info(
                "Ignoring response %(response)r: HTTP status code is not handled or not allowed",
                {"response": response},
                extra={"spider": spider},
            )
            return []

2.对代码进行总结：

        a.运行机制

1.                 当status在【200，300】内的时候，直接返回（无异常）；
2.                 当status开始出现问题的时候，看你是否设置允许状态码；

--- 在spider里面，发送请求的时候会在mata里面带着handle_httpstatus_list或者handle_httpstatus_all  ；-->如果是all，表示所有的状态码都不会引发httpError的问题；而handle_httpstatus_list则是需要在集合里面设置对应允许的一些状态码；

--- 也可以直接在setting里面直接进行handle_httpstatus_list 的设置；（如图）

b.报错机制

在允许范围内的status通通不会报错，就没有

process_spider_exception

什么事了；   只有不在范围内的错误，会进行一个统计；

        这种设计非常灵活，允许开发者根据实际需求决定哪些HTTP状态码是可接受的，而哪些应当被视为错误。比如，在某些应用场景下，接收到404响应可能是正常的一部分，不应该中断整个爬取流程。因此，通过合理配置HttpErrorMiddleware，就可以实现这样的需求。

3.总结：

        HttpErrorMiddleware是Scrapy框架中一个非常重要的组件，尤其是在处理复杂网页爬取时。它不仅能帮助我们更灵活地处理HTTP错误，还能通过设置，让我们的爬虫更加健壮。了解它的工作原理和如何配置，对于开发高效的爬虫程序来说是非常关键的。通过对源码的解析和应用实践，我们能更好地利用这个中间件，优化我们的网络爬虫，不仅提升数据采集效率，还能保证数据的质量和完整性。

        总的来说，HttpErrorMiddleware加深了我们对Scrapy框架灵活性和强大功能的认识，是值得每个使用Scrapy框架的开发者深入了解和掌握的知识点。