Scrapy如何暂停/恢复工作？

Question

有人可以向我解释暂停/恢复功能的Scrapy工作原理吗？

scrapy我正在使用的版本是0.24.5

该文件并没有提供太多细节.

我有以下简单的蜘蛛:

class SampleSpider(Spider):
name = 'sample'

def start_requests(self):
        yield Request(url='https://colostate.textbookrack.com/listingDetails?lst_id=1053')
        yield Request(url='https://colostate.textbookrack.com/listingDetails?lst_id=1054')
        yield Request(url='https://colostate.textbookrack.com/listingDetails?lst_id=1055')

def parse(self, response):
    with open('responses.txt', 'a') as f:
        f.write(response.url + '\n')

我正在运行它:

from twisted.internet import reactor
from scrapy.crawler import Crawler
from scrapy import log, signals


from scrapyproject.spiders.sample_spider import SampleSpider
spider = SampleSpider()
settings = get_project_settings()
settings.set('JOBDIR', '/some/path/scrapy_cache')
settings.set('DOWNLOAD_DELAY', 10)
crawler = Crawler(settings)
crawler.signals.connect(reactor.stop, signal=signals.spider_closed)
crawler.configure()
crawler.crawl(spider)
crawler.start()
log.start()
reactor.run() 

如您所见,我启用了JOBDIR选项,以便保存爬行状态.

我设置为DOWNLOAD_DELAY,10 seconds以便我可以在处理请求之前停止蜘蛛.我原以为我下次运行蜘蛛时,会不会重新生成请求.事实并非如此.

我在scrapy_cache文件夹中看到一个名为requests.queue的文件夹.但是,这总是空的.

看起来request.seen文件正在保存已发出的请求(使用SHA1哈希),这很棒.但是,下次运行spider时,会重新生成请求,并将(重复的)SHA1哈希值添加到文件中.我在Scrapy代码中跟踪了这个问题,看起来像是RFPDupeFilter打开带有'a +'标志的requests.seen文件.因此它总是会丢弃文件中的先前值(至少这是我的Mac OS X上的行为).

最后,关于蜘蛛状态,我可以从Scrapy代码中看到蜘蛛状态在蜘蛛关闭时被保存并在打开时被回读.但是,如果发生异常(例如,机器关闭),这不是很有用.我必须定期保存吗？

我在这里遇到的主要问题是:Scrapy在期望爬行将多次停止/恢复时(例如,爬行一个非常大的网站时)使用的常见做法是什么？

Answer 1

为了能够暂停和恢复scrapy搜索,您可以运行此命令以开始搜索:

scrapy crawl somespider --set JOBDIR=crawl1

要停止搜索,你应该运行control-C,但是你必须只运行一次并等待scrapy停止,如果你运行control-C两次它将无法正常工作.

然后您可以通过再次运行此命令来恢复搜索:

scrapy crawl somespider --set JOBDIR=crawl1

Answer 2

回复：我在这里的主要问题是：在预期爬行将停止/恢复多次时（例如，爬行一个非常大的网站时），使用 Scrapy 的常见做法是什么？

如果您不想使用 Scrapy 的暂停/恢复，您可以随时序列化您的请求。我在下面举一个例子：

如果你先爬取10000个URL，然后通过顺序请求的方式在一个新的爬虫中抓取这10000个URL，你可以简单地根据一些规则将这些URL序列化，并在spider中导入csv：

file = open('your10000_urls.csv', 'r')
data = csv.reader(file)
urls = list(data)
url = ['']
for i in urls:
    url.append(i[0])
start_urls = url[1:]
file.close()

然后，您可以通过删除已请求的请求来跟踪这些请求。此外，您可能希望将数据存储在数据库中，这使生活变得更加轻松。

希望能帮助到你。