Scrapy 在抓取一长串 url 时卡住了

Question

我正在抓取一个大的 url 列表（1000-ish），并且在设定的时间后，爬虫卡住了爬行 0 页/分钟。 爬行时问题总是出现在同一个地方。 url 列表是从 MySQL 数据库中检索的。 我对python和scrapy相当陌生，所以我不知道从哪里开始调试，我担心由于我的经验不足，代码本身也有点混乱。 任何指向问题所在的指针表示赞赏。

我曾经一次检索整个 url 列表，并且爬虫工作正常。 但是，我在将结果写回数据库时遇到了问题，并且我不想将整个大的 url 列表读入内存，所以我将其更改为一次一个 url 遍历数据库，问题发生在那里。 我相当确定 url 本身不是问题，因为当我尝试从有问题的 url 开始爬行时，它可以正常工作，在不同但一致的位置进一步卡住。

代码的相关部分如下。 请注意，该脚本应该作为独立脚本运行，这就是我在蜘蛛本身中定义必要设置的原因。

class MySpider(CrawlSpider):
    name = "mySpider"
    item = []
    #spider settings
    custom_settings = {
        'CONCURRENT_REQUESTS': 1,
        'DEPTH_LIMIT': 1,
        'DNS_TIMEOUT': 5,
        'DOWNLOAD_TIMEOUT':5,
        'RETRY_ENABLED': False,
        'REDIRECT_MAX_TIMES': 1
    }


    def start_requests(self):

        while i < n_urls:
            urllist = "SELECT url FROM database WHERE id=" + i
            cursor = db.cursor()
            cursor.execute(urllist)
            urls = cursor.fetchall()
            urls = [i[0] for i in urls] #fetch url from inside list of tuples
            urls = str(urls[0]) #transform url into string from list
            yield Request(urls, callback=self.parse, errback=self.errback)

    def errback(self, failure):
        global i
        sql = "UPDATE db SET item = %s, scrape_time = now() WHERE id = %s"
        val = ('Error', str(j))
        cursor.execute(sql, val)
        db.commit()
        i += 1


    def parse(self, response):
        global i
        item = myItem()
        item["result"] = response.xpath("//item to search")
        if item["result"] is None or len(item["result"]) == 0:
            sql = "UPDATE db SET, item = %s, scrape_time = now() WHERE id = %s"
            val = ('None', str(i))
            cursor.execute(sql, val)
            db.commit()
            i += 1
        else:
            sql = "UPDATE db SET item = %s, scrape_time = now() WHERE id = %s"
            val = ('Item', str(i))
            cursor.execute(sql, val)
            db.commit()
            i += 1

刮板卡住并显示以下消息：

2019-01-14 15:10:43 [scrapy.downloadermiddlewares.redirect] DEBUG: Redirecting (301) to <GET someUrl> from <GET anotherUrl>
2019-01-14 15:11:08 [scrapy.extensions.logstats] INFO: Crawled 9 pages (at 9 pages/min), scraped 0 items (at 0 items/min)
2019-01-14 15:12:08 [scrapy.extensions.logstats] INFO: Crawled 9 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2019-01-14 15:13:08 [scrapy.extensions.logstats] INFO: Crawled 9 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2019-01-14 15:14:08 [scrapy.extensions.logstats] INFO: Crawled 9 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2019-01-14 15:15:08 [scrapy.extensions.logstats] INFO: Crawled 9 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2019-01-14 15:16:08 [scrapy.extensions.logstats] INFO: Crawled 9 pages (at 0 pages/min), scraped 0 items (at 0 items/min)

到目前为止一切正常。 感谢您能给我的任何帮助！

Answer 1

scrapy syas 0 item 的原因是它计算产生的数据，而您除了插入数据库之外没有产生任何东西。

Answer 2

我刚刚发生了这种情况，所以我想分享导致错误的原因，以防有人遇到完全相同的问题。

显然，如果你没有为请求指定回调，它默认为蜘蛛的 parse 方法作为回调（我的意图是根本没有这些请求的回调）。

在我的蜘蛛中，我使用了 parse 方法来制作大部分请求，因此这种行为导致了许多不必要的请求，最终导致 Scrapy 崩溃。 只需为这些请求添加一个空的回调函数（ lambda a: None ）就解决了我的问题。