scrapy - Scrapy 暂停/恢复如何工作？

Question

有人可以向我解释一下 Scrapy 中的暂停/恢复功能是如何实现的吗？作品？
scrapy的版本我正在使用的是 0.24.5
documentation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')

我正在使用它运行它:

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，以便我可以保存我的爬网状态。

我设置了 DOWNLOAD_DELAY至 10 seconds这样我就可以在处理请求之前停止蜘蛛。我原以为下次运行蜘蛛时，不会重新生成请求。事实并非如此。

我在我的 scrapy_cache 文件夹中看到一个名为 requests.queue 的文件夹。然而，那总是空的。

看起来 requests.seen 文件正在保存发出的请求(使用 SHA1 哈希)，这很棒。但是，下次我运行蜘蛛时，请求会重新生成并且(重复) SHA1散列被添加到文件中。我在 Scrapy 中跟踪了这个问题代码，它看起来像 RFPDupeFilter使用“a+”标志打开 requests.seen 文件。所以它总是会丢弃文件中以前的值(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看到当蜘蛛关闭时蜘蛛状态被保存并在它打开时被读回的代码。但是，如果发生异常(例如，机器关闭)，这不是很有帮助。我必须定期储蓄吗？

我在这里的主要问题是:使用 Scrapy 的常见做法是什么？同时期望抓取会多次停止/恢复(例如，当抓取一个非常大的网站时)？

Answer 1

为了能够暂停和恢复scrapy搜索，您可以运行以下命令开始搜索:

scrapy crawl somespider --set JOBDIR=crawl1

要停止搜索，您应该运行 control-C，但是您必须只运行一次并等待 scrapy 停止，如果您运行 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