scrapy-proxy-pool: నిషేధ గుర్తింపులో బైనరీ ప్రతిస్పందనల నిర్వహణ

PDF లేదా చిత్రం ప్రాక్సీ ద్వారా విజయవంతంగా వచ్చి తర్వాత నిషేధ గుర్తింపులో విఫలమవచ్చు. Scrapy యొక్క ఆధార Response బాడీ బైట్లను చూపుతుంది, కానీ దాని text లక్షణం “Response content isn't text.” లోపాన్ని లేపుతుంది.

స్థాపించిన scrapy-proxy-pool విధానం షరతు లేకుండా response.text వెతికితే, ఆ విధానాన్ని రకం-అవగాహన ఉన్న సంస్కరణతో భర్తీ చేయండి:

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

ప్యాకేజీ యొక్క పొడిగింపు సెట్టింగ్ ద్వారా దాన్ని ఎంచుకోండి:

PROXY_POOL_BAN_POLICY = "myproject.policy.BinaryAwarePolicy"

ఇది విధానం యొక్క స్థితి మరియు ఖాళీ-బాడీ నియమాలను నిలుపుకుంటుంది మరియు టెక్స్ట్ అన్వేషణను దాన్ని మద్దతు ఇచ్చే ప్రతిస్పందనలకే పరిమితం చేస్తుంది. వారసత్వంగా వచ్చిన మినహాయింపు విధానం కూడా అందుబాటులో ఉంటుంది.

మిగిలిన నియమాలను కూడా అప్లికేషన్ కోసం సమీక్షించండి: ఉద్దేశపూర్వకంగా ఖాళీగా ఉన్న 200 ప్రతిస్పందన లేదా సాధారణ గమ్యస్థాన లోపం ఎప్పుడూ చెడు ప్రాక్సీకి రుజువు కాదు. మిడిల్వేర్ను సక్రియంగా ఉంచి వైఫల్యానికి కారణమైన వర్గీకరణను మార్చండి, బైనరీ డౌన్లోడ్ల కోసం మొత్తం నిషేధ గుర్తింపును నిలిపివేయడం బదులు.