- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在尝试使用 scrapy
库来运行 broad crawl - 抓取我解析数百万个网站的位置。蜘蛛连接到 PostgreSQL 数据库。这是我在启动蜘蛛之前加载未处理的网址的方式:
def get_unprocessed_urls(self, suffix):
"""
Fetch unprocessed urls.
"""
print(f'Fetching unprocessed urls for suffix {suffix}...')
cursor = self.connection.cursor('unprocessed_urls_cursor', withhold=True)
cursor.itersize = 1000
cursor.execute(f"""
SELECT su.id, su.url FROM seed_url su
LEFT JOIN footer_seed_url_status fsus ON su.id = fsus.seed_url_id
WHERE su.url LIKE \'%.{suffix}\' AND fsus.seed_url_id IS NULL;
""")
ID = 0
URL = 1
urls = [Url(url_row[ID], self.validate_url(url_row[URL])) for url_row in cursor]
print('len urls:', len(urls))
return urls
这是我的蜘蛛:
class FooterSpider(scrapy.Spider):
...
def start_requests(self):
urls = self.handler.get_unprocessed_urls(self.suffix)
for url in urls:
yield scrapy.Request(
url=url.url,
callback=self.parse,
errback=self.errback,
meta={
'seed_url_id': url.id,
}
)
def parse(self, response):
try:
seed_url_id = response.meta.get('seed_url_id')
print(response.url)
soup = BeautifulSoup(response.text, 'html.parser')
footer = soup.find('footer')
item = FooterItem(
seed_url_id=seed_url_id,
html=str(footer) if footer is not None else None,
url=response.url
)
yield item
print(f'Successfully processed url {response.url}')
except Exception as e:
print('Error while processing url', response.url)
print(e)
seed_url_id = response.meta.get('seed_url_id')
cursor = self.handler.connection.cursor()
cursor.execute(
"INSERT INTO footer_seed_url_status(seed_url_id, status) VALUES(%s, %s)",
(seed_url_id, str(e)))
self.handler.connection.commit()
def errback(self, failure):
print(failure.value)
try:
error = repr(failure.value)
request = failure.request
seed_url_id = request.meta.get('seed_url_id')
cursor = self.handler.connection.cursor()
cursor.execute(
"INSERT INTO footer_seed_url_status(seed_url_id, status) VALUES(%s, %s)",
(seed_url_id, error))
self.handler.connection.commit()
except Exception as e:
print(e)
这些是我的抓取自定义设置(取自上面的 broad crawl 文档页面):
SCHEDULER_DISK_QUEUE = 'scrapy.squeues.PickleFifoDiskQueue'
SCHEDULER_MEMORY_QUEUE = 'scrapy.squeues.FifoMemoryQueue'
CONCURRENT_REQUESTS = 100
CONCURRENT_ITEMS=1000
SCHEDULER_PRIORITY_QUEUE = 'scrapy.pqueues.DownloaderAwarePriorityQueue'
REACTOR_THREADPOOL_MAXSIZE = 20
COOKIES_ENABLED = False
DOWNLOAD_DELAY = 0.2
我的问题是:蜘蛛不会抓取所有网址,而是在只抓取几百个(或几千个,这个数字似乎有所不同)后停止。日志中不会显示任何警告或错误。这些是“完成”抓取后的示例日志:
{'downloader/exception_count': 2,
'downloader/exception_type_count/twisted.internet.error.DNSLookupError': 1,
'downloader/exception_type_count/twisted.web._newclient.ResponseNeverReceived': 1,
'downloader/request_bytes': 345073,
'downloader/request_count': 1481,
'downloader/request_method_count/GET': 1481,
'downloader/response_bytes': 1977255,
'downloader/response_count': 1479,
'downloader/response_status_count/200': 46,
'downloader/response_status_count/301': 791,
'downloader/response_status_count/302': 512,
'downloader/response_status_count/303': 104,
'downloader/response_status_count/308': 2,
'downloader/response_status_count/403': 2,
'downloader/response_status_count/404': 22,
'dupefilter/filtered': 64,
'elapsed_time_seconds': 113.895788,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2023, 8, 3, 11, 46, 31, 889491),
'httpcompression/response_bytes': 136378,
'httpcompression/response_count': 46,
'log_count/ERROR': 3,
'log_count/INFO': 11,
'log_count/WARNING': 7,
'response_received_count': 43,
"robotstxt/exception_count/<class 'twisted.internet.error.DNSLookupError'>": 1,
"robotstxt/exception_count/<class 'twisted.web._newclient.ResponseNeverReceived'>": 1,
'robotstxt/request_count': 105,
'robotstxt/response_count': 43,
'robotstxt/response_status_count/200': 21,
'robotstxt/response_status_count/403': 2,
'robotstxt/response_status_count/404': 20,
'scheduler/dequeued': 151,
'scheduler/dequeued/memory': 151,
'scheduler/enqueued': 151,
'scheduler/enqueued/memory': 151,
'start_time': datetime.datetime(2023, 8, 3, 11, 44, 37, 993703)}
2023-08-03 11:46:31 [scrapy.core.engine] INFO: Spider closed (finished)
奇怪的是,这个问题似乎只出现在我尝试用于爬行的两台机器中的一台上。当我在我的电脑(Windows 11)上本地运行爬网时,爬网不会停止。但是,当我在我们公司的服务器(Microsoft Azure Windows 10 计算机)上运行代码时,爬网会提前停止,如上所述。
编辑:可以找到完整日志 here 。在这种情况下,进程会在几个 URL 后停止。
最佳答案
终于找到问题所在了。 Scrapy 要求所有起始 URL 都具有 HTTP 架构,例如stackoverflow.com
不起作用,但 https://stackoverflow.com
可以。
我使用以下代码来验证 url 是否包含架构:
if not url.startswith("http"):
url = 'http://' + url
但是,这个验证是错误的。我的数据包含数百万个网址,其中一些显然是退化或非常规的( http.gay 似乎是有效的重定向域),例如:
httpsf52u5bids65u.xyz
httppollenmap.com
http.gay
这些网址将通过我的方案检查,即使它们不包含架构,并且它们会破坏我的抓取过程。
我将验证更改为这样,问题就消失了:
if not (url.startswith("http://") or url.startswith('https://')):
url = 'http://' + url
关于python - Scrapy爬取完成,没有爬取所有启动请求,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/76827831/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!