Python Scrapy:重试图像下载后出现错误10054

我正在用python运行一个Scrapy spider来从网站上抓取图像。其中一张图片无法下载（即使我尝试定期通过网站下载），这是网站的内部错误。这很好，我不在乎尝试获取图像，我只想在图像失败时跳过该图像并转到其他图像，但我一直得到一个10054错误

> Traceback (most recent call last):   File
> "c:\python27\lib\site-packages\twisted\internet\defer.py", line 588,
> in _runCallbacks
>     current.result = callback(current.result, *args, **kw)   File "C:\Python27\Scripts\nhtsa\nhtsa\spiders\NHTSA_spider.py", line 137,
> in parse_photo_page
>     self.retrievePhoto(base_url_photo + url[0], url_text)   File "C:\Python27\Scripts\nhtsa\nhtsa\retrying.py", line 49, in wrapped_f
>     return Retrying(*dargs, **dkw).call(f, *args, **kw)   File "C:\Python27\Scripts\nhtsa\nhtsa\retrying.py", line 212, in call
>     raise attempt.get()   File "C:\Python27\Scripts\nhtsa\nhtsa\retrying.py", line 247, in get
>     six.reraise(self.value[0], self.value[1], self.value[2])   File "C:\Python27\Scripts\nhtsa\nhtsa\retrying.py", line 200, in call
>     attempt = Attempt(fn(*args, **kwargs), attempt_number, False)   File "C:\Python27\Scripts\nhtsa\nhtsa\spiders\NHTSA_spider.py", line
> 216, in retrievePhoto
>     code.write(f.read())   File "c:\python27\lib\socket.py", line 355, in read
>     data = self._sock.recv(rbufsize)   File "c:\python27\lib\httplib.py", line 612, in read
>     s = self.fp.read(amt)   File "c:\python27\lib\socket.py", line 384, in read
>     data = self._sock.recv(left) error: [Errno 10054] An existing connection was forcibly closed by the remote

下面是我的解析函数，它查看照片页面并查找重要url：

def parse_photo_page(self, response):
        for sel in response.xpath('//table[@id="tblData"]/tr'):
            url = sel.xpath('td/font/a/@href').extract()
            table_fields = sel.xpath('td/font/text()').extract()
            if url:
                base_url_photo = "http://www-nrd.nhtsa.dot.gov/"
                url_text = table_fields[3]
                url_text = string.replace(url_text, "&nbsp","")
                url_text = string.replace(url_text," ","")  
                self.retrievePhoto(base_url_photo + url[0], url_text)

这是我使用重试装饰器的下载功能：

from retrying import retry
@retry(stop_max_attempt_number=5, wait_fixed=2000)
    def retrievePhoto(self, url, filename): 
        fullPath = self.saveLocation + "/" + filename
        urllib.urlretrieve(url, fullPath)

---

它重试下载5次，但随后抛出10054错误，不会继续下载下一个映像。重试后如何让蜘蛛继续？同样，我不关心下载问题图像，我只想跳过它。

正确的是，不应该在scrapy中使用

urllib

，因为它会阻止一切。尝试阅读与“scrapy twisted”和“scrapy asynchronous”相关的资源。无论如何我不认为你的主要问题是“重试后继续”，而是没有在表达中使用“相关XPath”。这是一个适合我的版本（请注意

./td/font/a/@href'

）中的

/

：

这里有一个（更好的）版本，它遵循您的模式，但使用@paul trmbrth提到的

ImagesPipeline

import scrapy
import string
import os

class MyspiderSpider(scrapy.Spider):
    name = "myspider2"
    start_urls = (
        'file:index.html',
    )

    saveLocation = os.getcwd()

    custom_settings = {
        "ITEM_PIPELINES": {'scrapy.pipelines.images.ImagesPipeline': 1},
        "IMAGES_STORE": saveLocation
    }

    def parse(self, response):
        image_urls = []
        image_texts = []
        for sel in response.xpath('//table[@id="tblData"]/tr'):
            url = sel.xpath('./td/font/a/@href').extract()
            table_fields = sel.xpath('./td/font/text()').extract()
            if url:
                base_url_photo = "http://www-nrd.nhtsa.dot.gov/"
                url_text = table_fields[3]
                url_text = string.replace(url_text, "&nbsp","")
                url_text = string.replace(url_text," ","")
                image_urls.append(base_url_photo + url[0])
                image_texts.append(url_text)

        return {"image_urls": image_urls, "image_texts": image_texts}

我使用的演示文件如下：

$ cat index.html 
<table id="tblData"><tr>

<td><font>hi <a href="img/2015/cav.jpg"> foo </a> <span /> <span /> green.jpg     </font></td>

</tr><tr>

<td><font>hi <a href="img/2015/caw.jpg"> foo </a> <span /> <span /> blue.jpg     </font></td>

</tr></table>

$cat index.html
嗨，格林.jpg
你好，blue.jpg

不建议混合使用同步网络IO（例如

urllib.urlretrieve

）和异步IO（scrapy/twisted）。在任何情况下，在5次重试后，

self.retrievePhoto（base\u url\u photo+url[0]，url\u text）

仍会引发异常。您需要在

try:。。。除此之外：…

如果要在

parse\u photo\u页面

中继续循环迭代。Scrapy有一个快速检索图像的工具。谢谢你的评论，我现在正在尝试实现一个ImagesPipeline…无法正常工作，我对这些文档印象不深this@JohnK：你是说你想通过改进文档为开源项目做出贡献吗？@StevenAlmeroth有何评论？@JohnK:当然，最好的办法是发布一份声明，感谢你提议的对文档的更改@neverlastn！！我同意图像管道是前进的方向。昨天我试图实现一个管道，但没能让它正常工作。自定义设置的那个小片段为我做了，我认为我的settings.py文件没有被正确引用。再次感谢您的完整回答。不客气！：）我认为

settings.py

是正确的方法<代码>自定义设置有点不太干净！我把它放在这里只是为了得到一个简单的自包含的答案，“实现一个管道”——这是非常棘手的。当你想知道如何做任何事的时候，不要忘了用谷歌搜索“任何扭曲的东西”。Scrapy是一个扭曲的应用程序，除非您使用扭曲的相关技术（不是例如

urllib

），否则您的性能将受到影响。这里有几个例子：

$ cat index.html 
<table id="tblData"><tr>

<td><font>hi <a href="img/2015/cav.jpg"> foo </a> <span /> <span /> green.jpg     </font></td>

</tr><tr>

<td><font>hi <a href="img/2015/caw.jpg"> foo </a> <span /> <span /> blue.jpg     </font></td>

</tr></table>