小编Pit*_*tty的帖子

我已经使用mongodb来存储爬网的数据。

现在我想查询数据的最后日期，这样我就可以继续抓取数据而不需要从url列表的开头重新启动它。（url可以由日期确定，例如：/ 2014-03-22 .html）

我只希望有一个连接对象来执行数据库操作，该操作正在进行中。

因此，我想知道如何在Spider中获取管道对象（不是新对象）。

或者，任何更好的增量更新解决方案...

提前致谢。

抱歉，我的英语不好...现在就试用：

# This is my Pipline
class MongoDBPipeline(object):
    def __init__(self, mongodb_db=None, mongodb_collection=None):
        self.connection = pymongo.Connection(settings['MONGODB_SERVER'], settings['MONGODB_PORT'])
        ....
    def process_item(self, item, spider):
        ....
    def get_date(self):
        ....

和蜘蛛：

class Spider(Spider):
    name = "test"
    ....

    def parse(self, response):
        # Want to get the Pipeline object
        mongo = MongoDBPipeline() # if take this way, must a new Pipeline object
        mongo.get_date()          # In scrapy, it must have a Pipeline object for the spider
                                  # I …

我想写一个用于将web资源推送到hadoop的程序.我使用hadoop 2.2.0,发现'put'不能像这样工作:

hadoop fs -put http://localhost/test.log hdfs://localhost:9000/log/ 

有没有办法把文件放到hdfs,而不先下载它？

PS:假设我没有hadoop服务器和Web资源服务器的权限.