"500 Internal Server Error" при объединении Scrapy через Splash с HTTP-прокси
Я пытаюсь сканировать паук Scrapy в контейнере Docker, используя Splash (для рендеринга JavaScript) и Tor через Privoxy (для обеспечения анонимности). Здесь docker-compose.yml Я использую для этого:
version: '3'
services:
scraper:
build: ./apk_splash
# environment:
# - http_proxy=http://tor-privoxy:8118
links:
- tor-privoxy
- splash
tor-privoxy:
image: rdsubhas/tor-privoxy-alpine
splash:
image: scrapinghub/splash
где скребок имеет следующее Dockerfile:
FROM python:alpine
RUN apk --update add libxml2-dev libxslt-dev libffi-dev gcc musl-dev libgcc openssl-dev curl bash
RUN pip install scrapy scrapy-splash scrapy-fake-useragent
COPY . /scraper
WORKDIR /scraper
CMD ["scrapy", "crawl", "apkmirror"]
и паук, которого я пытаюсь ползти
import scrapy
from scrapy_splash import SplashRequest
from apk_splash.items import ApkmirrorItem
class ApkmirrorSpider(scrapy.Spider):
name = 'apkmirror'
allowed_domains = ['apkmirror.com']
start_urls = [
'http://www.apkmirror.com/apk/cslskku/androbench-storage-benchmark/androbench-storage-benchmark-5-0-release/androbench-storage-benchmark-5-0-android-apk-download/',
]
custom_settings = {'USER_AGENT': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'}
def start_requests(self):
for url in self.start_urls:
yield SplashRequest(url=url, callback=self.parse, endpoint='render.html', args={'wait': 0.5})
def parse(self, response):
item = ApkmirrorItem()
item['url'] = response.url
item['developer'] = response.css('.breadcrumbs').xpath('.//*[re:test(@href, "^/(?:[^/]+/){1}[^/]+/$")]/text()').extract_first()
item['app'] = response.css('.breadcrumbs').xpath('.//*[re:test(@href, "^/(?:[^/]+/){2}[^/]+/$")]/text()').extract_first()
item['version'] = response.css('.breadcrumbs').xpath('.//*[re:test(@href, "^/(?:[^/]+/){3}[^/]+/$")]/text()').extract_first()
yield item
где я добавил следующее settings.py:
SPIDER_MIDDLEWARES = {
'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
}
DOWNLOADER_MIDDLEWARES = {
'scrapy_splash.SplashCookiesMiddleware': 723,
'scrapy_splash.SplashMiddleware': 725,
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
}
SPLASH_URL = 'http://splash:8050/'
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'
С environment для scraper Контейнер закомментирован, Скребок более-менее работает. Я получаю журналы, содержащие следующее:
scraper_1 | 2017-07-11 13:57:19 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www.apkmirror.com/apk/cslskku/androbench-storage-benchmark/androbench-storage-benchmark-5-0-release/androbench-storage-benchmark-5-0-android-apk-download/ via http://splash:8050/render.html> (referer: None)
scraper_1 | 2017-07-11 13:57:19 [scrapy.core.scraper] DEBUG: Scraped from <200 http://www.apkmirror.com/apk/cslskku/androbench-storage-benchmark/androbench-storage-benchmark-5-0-release/androbench-storage-benchmark-5-0-android-apk-download/>
scraper_1 | {'app': 'Androbench (Storage Benchmark)',
scraper_1 | 'developer': 'CSL@SKKU',
scraper_1 | 'url': 'http://www.apkmirror.com/apk/cslskku/androbench-storage-benchmark/androbench-storage-benchmark-5-0-release/androbench-storage-benchmark-5-0-android-apk-download/',
scraper_1 | 'version': '5.0'}
scraper_1 | 2017-07-11 13:57:19 [scrapy.core.engine] INFO: Closing spider (finished)
scraper_1 | 2017-07-11 13:57:19 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
scraper_1 | {'downloader/request_bytes': 1508,
scraper_1 | 'downloader/request_count': 3,
scraper_1 | 'downloader/request_method_count/GET': 2,
scraper_1 | 'downloader/request_method_count/POST': 1,
scraper_1 | 'downloader/response_bytes': 190320,
scraper_1 | 'downloader/response_count': 3,
scraper_1 | 'downloader/response_status_count/200': 2,
scraper_1 | 'downloader/response_status_count/404': 1,
scraper_1 | 'finish_reason': 'finished',
scraper_1 | 'finish_time': datetime.datetime(2017, 7, 11, 13, 57, 19, 488874),
scraper_1 | 'item_scraped_count': 1,
scraper_1 | 'log_count/DEBUG': 5,
scraper_1 | 'log_count/INFO': 7,
scraper_1 | 'memusage/max': 49131520,
scraper_1 | 'memusage/startup': 49131520,
scraper_1 | 'response_received_count': 3,
scraper_1 | 'scheduler/dequeued': 2,
scraper_1 | 'scheduler/dequeued/memory': 2,
scraper_1 | 'scheduler/enqueued': 2,
scraper_1 | 'scheduler/enqueued/memory': 2,
scraper_1 | 'splash/render.html/request_count': 1,
scraper_1 | 'splash/render.html/response_count/200': 1,
scraper_1 | 'start_time': datetime.datetime(2017, 7, 11, 13, 57, 13, 788850)}
scraper_1 | 2017-07-11 13:57:19 [scrapy.core.engine] INFO: Spider closed (finished)
apksplashcompose_scraper_1 exited with code 0
Однако, если я прокомментирую в environment линии в docker-compose.yml, Я получаю 500 Внутренняя ошибка сервера:
scraper_1 | 2017-07-11 14:05:07 [scrapy.downloadermiddlewares.retry] DEBUG: Gave up retrying <GET http://www.apkmirror.com/apk/cslskku/androbench-storage-benchmark/androbench-storage-benchmark-5-0-release/androbench-storage-benchmark-5-0-android-apk-download/ via http://splash:8050/render.html> (failed 3 times): 500 Internal Server Error
scraper_1 | 2017-07-11 14:05:07 [scrapy.core.engine] DEBUG: Crawled (500) <GET http://www.apkmirror.com/apk/cslskku/androbench-storage-benchmark/androbench-storage-benchmark-5-0-release/androbench-storage-benchmark-5-0-android-apk-download/ via http://splash:8050/render.html> (referer: None)
scraper_1 | 2017-07-11 14:05:07 [scrapy.spidermiddlewares.httperror] INFO: Ignoring response <500 http://www.apkmirror.com/apk/cslskku/androbench-storage-benchmark/androbench-storage-benchmark-5-0-release/androbench-storage-benchmark-5-0-android-apk-download/>: HTTP status code is not handled or not allowed
scraper_1 | 2017-07-11 14:05:07 [scrapy.core.engine] INFO: Closing spider (finished)
scraper_1 | 2017-07-11 14:05:07 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
scraper_1 | {'downloader/request_bytes': 3898,
scraper_1 | 'downloader/request_count': 7,
scraper_1 | 'downloader/request_method_count/GET': 4,
scraper_1 | 'downloader/request_method_count/POST': 3,
scraper_1 | 'downloader/response_bytes': 6839,
scraper_1 | 'downloader/response_count': 7,
scraper_1 | 'downloader/response_status_count/200': 1,
scraper_1 | 'downloader/response_status_count/500': 6,
scraper_1 | 'finish_reason': 'finished',
scraper_1 | 'finish_time': datetime.datetime(2017, 7, 11, 14, 5, 7, 866713),
scraper_1 | 'httperror/response_ignored_count': 1,
scraper_1 | 'httperror/response_ignored_status_count/500': 1,
scraper_1 | 'log_count/DEBUG': 10,
scraper_1 | 'log_count/INFO': 8,
scraper_1 | 'memusage/max': 49065984,
scraper_1 | 'memusage/startup': 49065984,
scraper_1 | 'response_received_count': 3,
scraper_1 | 'retry/count': 4,
scraper_1 | 'retry/max_reached': 2,
scraper_1 | 'retry/reason_count/500 Internal Server Error': 4,
scraper_1 | 'scheduler/dequeued': 4,
scraper_1 | 'scheduler/dequeued/memory': 4,
scraper_1 | 'scheduler/enqueued': 4,
scraper_1 | 'scheduler/enqueued/memory': 4,
scraper_1 | 'splash/render.html/request_count': 1,
scraper_1 | 'splash/render.html/response_count/500': 3,
scraper_1 | 'start_time': datetime.datetime(2017, 7, 11, 14, 4, 46, 717691)}
scraper_1 | 2017-07-11 14:05:07 [scrapy.core.engine] INFO: Spider closed (finished)
apksplashcompose_scraper_1 exited with code 0
Короче говоря, при использовании Splash для рендеринга JavaScript я не могу успешно использовать HttpProxyMiddleware для того, чтобы также использовать Tor через Privoxy. Кто-то может увидеть, что здесь происходит не так?
Обновить
После комментария Павла я попытался адаптировать splash обслуживание следующим образом:
splash:
image: scrapinghub/splash
volumes:
- ./splash/proxy-profiles:/etc/splash/proxy-profiles
где я добавил директорию 'splash' в основную директорию следующим образом:
.
├── apk_splash
├── docker-compose.yml
└── splash
└── proxy-profiles
└── proxy.ini
а также proxy.ini читает
[proxy]
host=tor-privoxy
port=8118
Насколько я понимаю, это должно сделать использование прокси всегда (т.е. whitelist по умолчанию ".*" и нет blacklist).
Однако, если я снова docker-compose build а также docker-compose upЯ все еще получаю ошибки HTTP 500. Таким образом, остается вопрос, как их решить?
(Между прочим, этот вопрос похож на https://github.com/scrapy-plugins/scrapy-splash/issues/117; однако я не использую Crawlera, поэтому не уверен, как адаптировать ответ).
Обновление 2
После второго комментария Пола я проверил, что tor-privoxy разрешается внутри контейнера, выполняя это (пока он еще работал):
~$ docker ps -l
CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES
04909e6ef5cb apksplashcompose_scraper "scrapy crawl apkm..." 2 hours ago Up 8 seconds apksplashcompose_scraper_1
~$ docker exec -it $(docker ps -lq) /bin/bash
bash-4.3# python
Python 3.6.1 (default, Jun 19 2017, 23:58:41)
[GCC 5.3.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import socket
>>> socket.gethostbyname('tor-privoxy')
'172.22.0.2'
Что касается того, как я запускаю Splash, то это через связанный контейнер, аналогично тому, как описано в https://splash.readthedocs.io/en/stable/install.html. Я подтвердил, что /etc/splash/proxy-profiles/proxy.ini присутствует в контейнере:
~$ docker exec -it apksplashcompose_splash_1 /bin/bash
root@b091fbef4c78:/# cd /etc/splash/proxy-profiles
root@b091fbef4c78:/etc/splash/proxy-profiles# ls
proxy.ini
root@b091fbef4c78:/etc/splash/proxy-profiles# cat proxy.ini
[proxy]
host=tor-privoxy
port=8118
Я попробую Aquarium, но остается вопрос, почему текущая настройка не работает?
1 ответ
Следуя структуре проекта Aquarium, предложенной paul trmbrth, я обнаружил, что очень важно назвать файл.ini default.iniне proxy.ini (иначе он не "подхватывается" автоматически). Мне удалось заставить скребок работать таким образом (см. Мой собственный ответ на Как использовать Scrapy с Splash и Tor поверх Privoxy в Docker Compose).