Scrapy：504ゲートウェイタイムアウトエラー

Question

私は&スクレーピングをクロールの分野での初心者です、私は始めるためにオンライン私が得たこのコードを使用して試してみました：

items.py

import scrapy 

class IkeaItem(scrapy.Item): 
    name = scrapy.Field() 
    link = scrapy.Field() 

spider.py

import scrapy 
from ikea.items import IkeaItem 

class IkeaSpider(scrapy.Spider): 
    name = 'ikea' 

    allowed_domains = ['http://www.ikea.com/'] 
    start_urls = ['http://www.ikea.com/'] 

    def parse(self, response): 
     for sel in response.xpath('//tr/td/a'): 
      item = IkeaItem() 
      item['name'] = sel.xpath('text()').extract() 
      item['link'] = sel.xpath('@href').extract() 

      yield item 

私はトンを保存するために、次のコマンドを実行しました彼はcsvファイルで出力します。scrap crawl ikea -o items.csv -t csvしかし、私は504ゲートウェイのタイムアウトエラーが発生します。これは、コードが正常に動作していることが確認されています。

これは、私が手に出力されます。すべてのヘルプは大

2017-01-31 09:36:36 [scrapy.utils.log] INFO: Scrapy 1.3.0 started (bot: ikea) 
2017-01-31 09:36:36 [scrapy.utils.log] INFO: Overridden settings: {'NEWSPIDER_MODULE': 'ikea.spiders', 'FEED_URI': 'items.csv', 'SPIDER_MODULES': ['ikea.spiders'], 'BOT_NAME': 'ikea', 'ROBOTSTXT_OBEY': True, 'FEED_FORMAT': 'csv'} 
2017-01-31 09:36:36 [scrapy.middleware] INFO: Enabled extensions: 
['scrapy.extensions.feedexport.FeedExporter', 
'scrapy.extensions.logstats.LogStats', 
'scrapy.extensions.telnet.TelnetConsole', 
'scrapy.extensions.corestats.CoreStats'] 
2017-01-31 09:36:36 [scrapy.middleware] INFO: Enabled downloader middlewares: 
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware', 
'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware', 
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware', 
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware', 
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware', 
'scrapy.downloadermiddlewares.retry.RetryMiddleware', 
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware', 
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware', 
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware', 
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware', 
'scrapy.downloadermiddlewares.stats.DownloaderStats'] 
2017-01-31 09:36:36 [scrapy.middleware] INFO: Enabled spider middlewares: 
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware', 
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware', 
'scrapy.spidermiddlewares.referer.RefererMiddleware', 
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware', 
'scrapy.spidermiddlewares.depth.DepthMiddleware'] 
2017-01-31 09:36:36 [scrapy.middleware] INFO: Enabled item pipelines: 
[] 
2017-01-31 09:36:36 [scrapy.core.engine] INFO: Spider opened 
2017-01-31 09:36:36 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 
2017-01-31 09:36:36 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023 
2017-01-31 09:37:36 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 
2017-01-31 09:37:37 [scrapy.downloadermiddlewares.retry] DEBUG: Retrying <GET http://www.ikea.com/robots.txt> (failed 1 times): 504 Gateway Time-out 
2017-01-31 09:38:36 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 
2017-01-31 09:38:38 [scrapy.downloadermiddlewares.retry] DEBUG: Retrying <GET http://www.ikea.com/robots.txt> (failed 2 times): 504 Gateway Time-out 
2017-01-31 09:39:36 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 
2017-01-31 09:39:39 [scrapy.downloadermiddlewares.retry] DEBUG: Gave up retrying <GET http://www.ikea.com/robots.txt> (failed 3 times): 504 Gateway Time-out 
2017-01-31 09:39:39 [scrapy.core.engine] DEBUG: Crawled (504) <GET http://www.ikea.com/robots.txt> (referer: None) 
2017-01-31 09:39:39 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www.ikea.com/> (referer: None) 
2017-01-31 09:39:40 [scrapy.core.engine] INFO: Closing spider (finished) 
2017-01-31 09:39:40 [scrapy.statscollectors] INFO: Dumping Scrapy stats: 
{'downloader/request_bytes': 870, 
'downloader/request_count': 4, 
'downloader/request_method_count/GET': 4, 
'downloader/response_bytes': 10429, 
'downloader/response_count': 4, 
'downloader/response_status_count/200': 1, 
'downloader/response_status_count/504': 3, 
'finish_reason': 'finished', 
'finish_time': datetime.datetime(2017, 1, 31, 4, 9, 40, 52064), 
'log_count/DEBUG': 6, 
'log_count/INFO': 10, 
'response_received_count': 2, 
'scheduler/dequeued': 1, 
'scheduler/dequeued/memory': 1, 
'scheduler/enqueued': 1, 
'scheduler/enqueued/memory': 1, 
'start_time': datetime.datetime(2017, 1, 31, 4, 6, 36, 757725)} 
2017-01-31 09:39:40 [scrapy.core.engine] INFO: Spider closed (finished) 

理解されるであろう。

Answer 1

私はあなたのコードをテストしてうまくいきました。私は200の応答を得ましたが、セレクタが何もうまくいかなかったので、0のデータが破棄されました。

ウェブページのサーバーがその時点でダウンしていたため、これは問題ありません。

とにかく、あなたはこれを試すことができます。

import urllib2 
hdr = {"User-Agent": "My Agent"} 

while True: 

    try: 
    req = urllib2.Request("http://www.reddit.com/", headers=hdr) 
    response = urllib2.urlopen(req) 
    htmlSource = response.read() 
    if response.getcode() == 200: 
     break 
    except Exception as inst: 
    print inst 

このコードは、それがウェブサイトのサーバーからの200応答を取得するまでのWebページを要求しようとします。