我使用scrapy下载大量数据。我使用默认的16个并发请求。
如指南所示,我使用管道方法process_item
来收集共享变量的数据。并在close_spider
将数据保存到SQL。
如果我加载太大的网站,我会丢失所有系统内存。
我该如何避免这个问题?
现在我使用一个以open_spider
方法准备的数据库连接,我无法同时在每个process_item
中使用它。
答案 0 :(得分:1)
在管道中创建已删除项目的列表,一旦该列表的大小大于N,则调用DB函数以保存数据。这是我项目的100%工作代码。请参阅close_spider()
,在蜘蛛关闭时,self.items
可能包含少于N个项目,因此self.items
列表中的任何剩余数据也将保存在数据库中蜘蛛关闭了。
from scrapy import signals
class YourPipeline(object):
def __init__(self):
self.items = []
def process_item(self, item, spider):
self.items.extend([ item ])
if len(self.items) >= 50:
self.insert_current_items(spider)
return item
def insert_current_items(self, spider):
for item in self.items:
update_query = ', '.join(["`" + key + "` = %s " for key, value in item.iteritems()])
query = "SELECT asin FROM " + spider.tbl_name + " WHERE asin = %s LIMIT 1"
spider.cursor.execute(query, (item['asin']))
existing = spider.cursor.fetchone()
if spider.cursor.rowcount > 0:
query = "UPDATE " + spider.tbl_name + " SET " + update_query + ", date_update = CURRENT_TIMESTAMP WHERE asin = %s"
update_query_vals = list(item.values())
update_query_vals.extend([existing['YOUR_UNIQUE_COLUMN']])
try:
spider.cursor.execute(query, update_query_vals)
except Exception as e:
if 'MySQL server has gone away' in str(e):
spider.connectDB()
spider.cursor.execute(query, update_query_vals)
else:
raise e
else:
# This ELSE is likely never to get executed because we are not scraping ASINS from Amazon website, we just import ASINs into DB from another script
try:
placeholders = ', '.join(['%s'] * len(item))
columns = ', '.join(item.keys())
query = "INSERT INTO %s ( %s ) VALUES ( %s )" % (spider.tbl_name, columns, placeholders)
spider.cursor.execute(query, item)
except Exception as e:
if 'MySQL server has gone away' in str(e):
spider.connectDB()
spider.cursor.execute(query, item)
else:
raise e
self.items = []
def close_spider(self, spider):
self.insert_current_items(spider)