scrapy-proxy-pool: ବାରଣ ଚିହ୍ନଟରେ ବାଇନାରୀ ପ୍ରତିକ୍ରିୟା ପରିଚାଳନା

ଏକ PDF କିମ୍ବା ଚିତ୍ର ପ୍ରକ୍ସି ମାଧ୍ୟମରେ ସଫଳତାର ସହ ଆସି ପରେ ବାରଣ ଚିହ୍ନଟରେ ବିଫଳ ହୋଇପାରେ। Scrapy ର ମୂଳ Response ବଡି ବାଇଟ୍ ଦେଖାଏ, କିନ୍ତୁ ଏହାର text ଗୁଣ “Response content isn't text.” ତ୍ରୁଟି ଉଠାଏ।

ଯଦି ସ୍ଥାପିତ scrapy-proxy-pool ନୀତି ବିନା ଶର୍ତ୍ତରେ response.text ଖୋଜେ, ତେବେ ସେ ନୀତିକୁ ପ୍ରକାର-ସଚେତନ ସଂସ୍କରଣରେ ବଦଳାନ୍ତୁ:

from scrapy.http import TextResponse
from scrapy_proxy_pool.policy import BanDetectionPolicy

class BinaryAwarePolicy(BanDetectionPolicy):
    def response_is_ban(self, request, response):
        if isinstance(response, TextResponse):
            if self.BANNED_PATTERN.search(response.text):
                return True
        if response.status not in self.NOT_BAN_STATUSES:
            return True
        return response.status == 200 and not response.body

ପ୍ୟାକେଜର ଏକ୍ସଟେନସନ ସେଟିଂ ମାଧ୍ୟମରେ ଏହାକୁ ବାଛନ୍ତୁ:

PROXY_POOL_BAN_POLICY = "myproject.policy.BinaryAwarePolicy"

ଏହା ନୀତିର ସ୍ଥିତି ଏବଂ ଖାଲି-ବଡି ନିୟମ ରଖେ ଏବଂ ପାଠ୍ୟ ଖୋଜକୁ କେବଳ ସମର୍ଥନ କରୁଥିବା ପ୍ରତିକ୍ରିୟାରେ ସୀମିତ କରେ। ଉତ୍ତରାଧିକାରୀ ବ୍ୟତିକ୍ରମ ନୀତି ମଧ୍ୟ ଉପଲବ୍ଧ ରହେ।

ଅବଶିଷ୍ଟ ନିୟମଗୁଡ଼ିକୁ ମଧ୍ୟ ଆପ୍ଲିକେସନ ପାଇଁ ସମୀକ୍ଷା କରନ୍ତୁ: ଉଦ୍ଦେଶ୍ୟପୂର୍ବକ ଖାଲି 200 ପ୍ରତିକ୍ରିୟା କିମ୍ବା ସାଧାରଣ ଗନ୍ତବ୍ୟ ତ୍ରୁଟି ସର୍ବଦା ଖରାପ ପ୍ରକ୍ସିର ପ୍ରମାଣ ନୁହେଁ। ମିଡଲୱେର ସକ୍ରିୟ ରଖନ୍ତୁ ଏବଂ ବିଫଳତାର କାରଣ ହୋଇଥିବା ବର୍ଗୀକରଣ ବଦଳାନ୍ତୁ, ବାଇନାରୀ ଡାଉନଲୋଡ ପାଇଁ ସମସ୍ତ ବାରଣ ଚିହ୍ନଟ ବନ୍ଦ କରିବା ପରିବର୍ତ୍ତେ।