Scrapy - 使用 JOBDIR 获取重复项

Question

Scrapy 的 JOBDIR 设置提供了可恢复的爬网，描述如下：

http://doc.scrapy.org/en/latest/topics/jobs.html

我尝试像这样执行我的抓取命令：

scrapy crawl myspider -o out.csv -t csv -s JOBDIR=./jobs/run-1

当它仍在运行时，我通过按 CTRL-C 优雅地将其关闭。然后再次启动相同的命令以恢复它。我可以确认它正在从终端输出恢复抓取：

[myspider] INFO: Resuming crawl (74 requests scheduled)

但是当我查看我的输出 CSV 文件时，我看到有这样的重复项：

name,email
Alice,alice@example.com
Bob,bob@example.com
...
name,email            <- duplicated header!
Bob,bob@example.com   <- duplicated row!
...

这是正常的吗？我想知道是否可以在同一个命令中使用-ooption 和JOBDIR。如果没有，我如何导出抓取的项目？

顺便说一句，我正在使用 Scrapy 0.22.1。

谢谢！

Answer 1

是的，这是可以预料的。如果您查看scrapy的源代码，尤其是CsvItemExporter，您会发现它在停止/恢复抓取方面是无状态的。出口商基本上用 2 个标志处理标头。指示它是否完全包含标题的一个：. 第二个: , 防止每次都转储标头，写入新的抓取项目，会话的第一项除外。但是，每次重新启动爬网程序时，这些标志都会重置，并且导出器似乎不携带有关恢复会话的任何类型的信息：include_headers_line_headers_not_written

class CsvItemExporter(BaseItemExporter):

    def __init__(self, file, include_headers_line=True, join_multivalued=',', **kwargs):

        ....
        self._headers_not_written = True
        ....

    def export_item(self, item):
        if self._headers_not_written:
            self._headers_not_written = False
            self._write_headers_and_set_fields_to_export(item)

此外 -o 选项仅指示爬虫将抓取的项目转储到指定的输出中：

class Command(ScrapyCommand):

    ....

    def add_options(self, parser):
        ScrapyCommand.add_options(self, parser)
        parser.add_option("-a", dest="spargs", action="append", default=[], metavar="NAME=VALUE", \
            help="set spider argument (may be repeated)")
        parser.add_option("-o", "--output", metavar="FILE", \
            help="dump scraped items into FILE (use - for stdout)")
        parser.add_option("-t", "--output-format", metavar="FORMAT", default="jsonlines", \
            help="format to use for dumping items with -o (default: %default)")