python - 如何在一定数量的请求后停止 scrapy 蜘蛛？

Question

我正在开发一个简单的抓取工具来获取 9 个搞笑帖子及其图片，但由于一些技术困难，我无法停止抓取工具，它继续抓取，这是我不想要的。我想增加计数器值并在 100 个帖子后停止。但是 9gag 页面的设计方式是在每次响应中只提供 10 个帖子，并且在每次迭代后我的计数器值重置为 10，在这种情况下我的循环运行无限长并且永不停止。

---

# -*- coding: utf-8 -*-
import scrapy
from _9gag.items import GagItem

class FirstSpider(scrapy.Spider):
    name = "first"
    allowed_domains = ["9gag.com"]
    start_urls = (
        'http://www.9gag.com/',
    )

    last_gag_id = None
    def parse(self, response):
        count = 0
        for article in response.xpath('//article'):
            gag_id = article.xpath('@data-entry-id').extract()
            count +=1
            if gag_id:
                if (count != 100):
                    last_gag_id = gag_id[0]
                    ninegag_item = GagItem()
                    ninegag_item['entry_id'] = gag_id[0]
                    ninegag_item['url'] = article.xpath('@data-entry-url').extract()[0]
                    ninegag_item['votes'] = article.xpath('@data-entry-votes').extract()[0]
                    ninegag_item['comments'] = article.xpath('@data-entry-comments').extract()[0]
                    ninegag_item['title'] = article.xpath('.//h2/a/text()').extract()[0].strip()
                    ninegag_item['img_url'] = article.xpath('.//div[1]/a/img/@src').extract()

                    yield ninegag_item


                else:
                    break


        next_url = 'http://9gag.com/?id=%s&c=200' % last_gag_id
        yield scrapy.Request(url=next_url, callback=self.parse) 
        print count

items.py 的代码在这里

from scrapy.item import Item, Field


class GagItem(Item):
    entry_id = Field()
    url = Field()
    votes = Field()
    comments = Field()
    title = Field()
    img_url = Field()

所以我想增加一个全局计数值并尝试通过将 3 个参数传递给解析函数它给出错误

TypeError: parse() takes exactly 3 arguments (2 given)

那么有没有办法传递一个全局计数值并在每次迭代后返回它并在 100 个帖子后停止(假设)。

此处提供整个项目 Github即使我设置 POST_LIMIT =100 也会发生无限循环，请参阅此处我执行的命令

scrapy crawl first -s POST_LIMIT=10 --output=output.json

Answer 1

有一个内置设置 CLOSESPIDER_PAGECOUNT 可以通过命令行传递 -s参数或设置更改:scrapy crawl <spider> -s CLOSESPIDER_PAGECOUNT=100

一个小警告是，如果您启用了缓存，它也会将缓存命中数计为页面数。