当前位置:  开发笔记 > 编程语言 > 正文

Scrapy CLOSESPIDER_PAGECOUNT设置不能正常工作

如何解决《ScrapyCLOSESPIDER_PAGECOUNT设置不能正常工作》经验,为你挑选了1个好方法。

我使用scrapy 1.0.3并且无法发现如何使用CLOSESPIDER extesnion.对于命令:scrapy crawl domain_links --set = CLOSESPIDER_PAGECOUNT = 1是正确的一个请求,但对于两个页面计数:scrapy crawl domain_links --set CLOSESPIDER_PAGECOUNT = 2是无限的请求.

所以请在简单的例子中解释它是如何工作的.

这是我的蜘蛛代码:

class DomainLinksSpider(CrawlSpider):
    name = "domain_links"
    #allowed_domains = ["www.example.org"]
    start_urls = [ "www.example.org/",]

    rules = (

        # Extract links matching 'item.php' and parse them with the spider's method parse_item
        Rule(LinkExtractor(allow_domains="www.example.org"), callback='parse_page'),
    )

    def parse_page(self, response):
        print '<<<',response.url
        items = []
        item = PathsSpiderItem()

        selected_links = response.selector.xpath('//a[@href]')

        for link in LinkExtractor(allow_domains="www.example.org", unique=True).extract_links(response):
            item = PathsSpiderItem()
            item['url'] = link.url
            items.append(item)
        return items

甚至不适合这个简单的蜘蛛:

# -*- coding: utf-8 -*-
import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor

class ExampleSpider(CrawlSpider):
    name = 'example'
    allowed_domains = ['karen.pl']
    start_urls = ['http://www.karen.pl']

    rules = (
        # Extract links matching 'category.php' (but not matching 'subsection.php')
        # and follow links from them (since no callback means follow=True by default).


        # Extract links matching 'item.php' and parse them with the spider's method parse_item
    Rule(LinkExtractor(allow_domains="www.karen.pl"), callback='parse_item'),
    )

    def parse_item(self, response):
        self.logger.info('Hi, this is an item page! %s', response.url)
        item = scrapy.Item()

        return item

但不是无限:

scrapy crawl example --set CLOSESPIDER_PAGECOUNT = 1'downloadader/request_count':1,

scrapy crawl example --set CLOSESPIDER_PAGECOUNT = 2'downloadader/request_count':17,

scrapy crawl example --set CLOSESPIDER_PAGECOUNT = 3'downloadader/request_count':19,

Maby是因为并行下载.是的,对于CONCURRENT_REQUESTS = 1,CLOSESPIDER_PAGECOUNT设置适用于第二个示例.我会检查第一个 - 它也有效.这对我来说几乎无限,因为有很多网址(我的项目)的网站地图被抓了下一页:)



1> eLRuLL..:

CLOSESPIDER_PAGECOUNTCloseSpider扩展控制,该扩展计算每个响应,直到达到其限制时,即它告诉爬行程序进程开始结束(完成请求并关闭可用插槽).

现在你的蜘蛛在你指定时结束的原因CLOSESPIDER_PAGECOUNT=1是因为在那一刻(当它得到它的第一个响应时)没有待处理的请求,它们是在你的第一个之后创建的,所以爬虫程序就可以结束,而不是考虑到考虑以下因素(因为它们将在第一次出生后出生).

指定时CLOSESPIDER_PAGECOUNT>1,捕获的蜘蛛会创建请求并填充请求队列.当蜘蛛知道何时完成时,仍有待处理的待处理请求,这些请求作为关闭蜘蛛的一部分执行.

推荐阅读
可爱的天使keven_464
这个屌丝很懒,什么也没留下!
DevBox开发工具箱 | 专业的在线开发工具网站    京公网安备 11010802040832号  |  京ICP备19059560号-6
Copyright © 1998 - 2020 DevBox.CN. All Rights Reserved devBox.cn 开发工具箱 版权所有