有人可以向我解释Scrapy中的暂停/恢复功能是如何工作的吗？
我正在使用的scrapy版本是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.
我将DOWNLOAD_DELAY设置为10秒,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：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,抓取一个非常大的网站时)？