Scrapy暂停/恢复如何工作？

Question

可以向我解释暂停/继续功能的Scrapy工作原理吗？

scrapy我正在使用的版本是0.24.5

该文档没有提供太多细节。

我有以下简单的spider：

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() 

如你所见，我启用了JOBDIR选项，以便可以保存爬网状态。

我将设置为DOWNLOAD_DELAY，10 seconds以便可以在处理请求之前停止spider网。我本以为下次我运行spider程序时，将不会重新生成请求。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，这始终是空的。

看起来request.seen文件正在保存发出的请求（使用SHA1hashes），这很好。但是，下次我运行spider程序时，将重新生成请求，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，它看起来像RFPDupeFilter打开带有’a +’标志的requests.seen文件。因此，它将始终丢弃文件中的先前值（至少那是我的Mac OS X上的行为）。

最后，关于spider状态，我可以从Scrapy代码中看到，spider状态在spider关闭时被保存，在spider打开时被读回。但是，如果发生异常（例如，机器关闭），这不是很有帮助。我需要定期储蓄吗？

我在这里遇到的主要问题是：Scrapy在期望爬网将停止/继续多次（例如，在爬网非常大的网站时）时，常用的惯例是什么？

Answer 1

为了能够暂停和继续抓取搜索，可以运行以下命令来开始搜索：

scrapy crawl somespider --set JOBDIR=crawl1

要停止搜索，你应该运行Ctrl-C，但是你只需要运行一次，然后等待scrapy停止，如果你运行Ctrl-C两次，它将无法正常工作。

然后你可以通过再次运行以下命令来恢复搜索：

scrapy crawl somespider --set JOBDIR=crawl1