Question

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，但两页计数： scrapy crawl domain_links --set CLOSESPIDER_PAGECOUNT = 2 是无限的要求。

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

甚至不适用于这个简单的蜘蛛：

# -*- 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抓取示例 - 设置CLOSESPIDER_PAGECOUNT = 1 'downloader / request_count'：1，

scrapy抓取示例 - 设置CLOSESPIDER_PAGECOUNT = 2 'downloader / request_count'：17，

scrapy抓取示例 - 设置CLOSESPIDER_PAGECOUNT = 3 'downloader / 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。这对我来说几乎是无限的，因为有很多网址（我的项目）的网站地图被抓到了下一页：）

Answer 1

CLOSESPIDER_PAGECOUNT由CloseSpider扩展程序控制，该扩展程序计算每个响应，直到达到其限制时，它告诉爬网程序进程开始结束（完成请求并关闭可用的插槽）。

现在，当您指定CLOSESPIDER_PAGECOUNT=1时蜘蛛结束的原因是因为当时（当它收到第一个响应时）没有 待处理 请求，它们是在你的第一个之后创建的，所以爬虫过程已准备好结束，而不考虑以下的（因为它们将在第一个之后出生）。

当您指定CLOSESPIDER_PAGECOUNT>1时，您的蜘蛛会被捕获并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。

Scrapy CLOSESPIDER_PAGECOUNT设置不能正常工作

1 个答案: