断点续传

Posted 2020-10-31 一剑001

　　有时候我们爬取数据跑了半天，突然报错了，例如网络中断，我们想继续爬取，不需程序从头开始爬取，可以采取下面的方案

要想程序继续从断开的位置爬取，最好的方案就是将每次爬取的url存储到数据库中，程序每爬取一个url判断数据库中是否存在存在说明爬取过了，跳过本次url，如果没有，那就证明没有爬取过，程序继续爬取．．额等等，好像有瑕疵

假设有这么一种情况，程序爬取一个url爬了一半，就会有２种情况，要么数据库内没有url，程序继续爬取，会有重复数据，要么数据库中存在url，那么程序跳过，获取数据不完整，当前ｕｒｌ有些数据没有获取到，采用第一种情况吧，存储数据采用set集合方式

参考方法：https://zhuanlan.zhihu.com/p/26810901

在scrapy中我想不用多说了，用过scrapy框架的应该都知道，本身scrapy就已经内置了一个参数jobs持久化设置

要启用持久化支持，你只需要通过 JOBDIR 设置 job directory 选项。这个路径将会存储 所有的请求数据来保持一个单独任务的状态(例如：一次spider爬取(a spider run))。必须要注意的是，这个目录不允许被不同的spider 共享，甚至是同一个spider的不同jobs/runs也不行。也就是说，这个目录就是存储一个 单独 job的状态信息。

怎么使用

要启用一个爬虫的持久化，运行以下命令:

scrapy crawl somespider -s JOBDIR=crawls/somespider-1

然后，你就能在任何时候安全地停止爬虫(按Ctrl-C或者发送一个信号)。恢复这个爬虫也是同样的命令:

scrapy crawl somespider -s JOBDIR=crawls/somespider-1

保持状态

有的时候，你希望持续保持一些运行长时间的蜘蛛的状态。这时您可以使用 spider.state 属性, 该属性的类型必须是dict. scrapy提供了内置扩展负责在spider启动或结束时，从工作路径(job directory)中序列化、存储、加载属性。

下面这个例子展示了使用spider state的回调函数(callback)(简洁起见，省略了其他的代码):

def parse_item(self, response):
    # parse item here
    self.state[‘items_count‘] = self.state.get(‘items_count‘, 0) + 1

持久化的一些坑

如果你想要使用Scrapy的持久化支持,还有一些东西您需要了解:

Cookies的有效期

Cookies是有有效期的(可能过期)。所以如果你没有把你的爬虫及时恢复，那么他可能在被调度回去的时候 就不能工作了。当然如果你的爬虫不依赖cookies就不会有这个问题了。

请求序列化

请求是由 pickle 进行序列化的，所以你需要确保你的请求是可被pickle序列化的。 这里最常见的问题是在在request回调函数中使用 lambda 方法，导致无法序列化。

例如, 这样就会有问题:

def some_callback(self, response):
    somearg = ‘test‘
    return scrapy.Request(‘http://www.example.com‘, callback=lambda r: self.other_callback(r, somearg))

def other_callback(self, response, somearg):
    print "the argument passed is:", somearg

这样才对:

def some_callback(self, response):
    somearg = ‘test‘
    return scrapy.Request(‘http://www.example.com‘, meta={‘somearg‘: somearg})

#这里的实例代码有错，应该是(译者注)
#   return scrapy.Request(‘http://www.example.com‘, meta={‘somearg‘: somearg}, callback=self.other_callback)

def other_callback(self, response):
    somearg = response.meta[‘somearg‘]
    print "the argument passed is:", somearg