python - Scrapy - 使用 JOBDIR 获取重复项

Question

Scrapy 的 JOBDIR 设置提供了可恢复的抓取，描述如下:

http://doc.scrapy.org/en/latest/topics/jobs.html

我尝试像这样执行我的抓取命令:

scrapy crawl myspider -o out.csv -t csv -s JOBDIR=./jobs/run-1

当它仍在运行时，我按 CTRL-C 优雅地关闭了它。然后再次触发相同的命令以恢复它。我可以确认它正在从终端输出中恢复抓取:

[myspider] INFO: Resuming crawl (74 requests scheduled)

但是当我查看我的输出 CSV 文件时，我看到有像这样的重复项:

name,email
Alice,alice@example.com
Bob,bob@example.com
...
name,email            <- duplicated header!
Bob,bob@example.com   <- duplicated row!
...

这正常吗？我想知道在同一命令中使用 -o 选项和 JOBDIR 是否可以。如果没有，如何导出已抓取的项目？

顺便说一句，我正在使用 Scrapy 0.22.1。

谢谢!

Answer 1

是的，这是意料之中的。如果你想看看 scrapy 的源代码，尤其是 CsvItemExporter ，您会发现它在停止/恢复 抓取方面是无状态。导出器基本上使用 2 个标志处理 header 。指示它是否完全包含 header 的一个:include_headers_line。第二个:_headers_not_written，防止每次都转储 header ，写入新的抓取项目， session 的第一项除外。然而，每次重新启动爬虫时，这些标志都会被重置，并且导出器似乎没有携带任何关于恢复 session 的信息:

class CsvItemExporter(BaseItemExporter):

    def __init__(self, file, include_headers_line=True, join_multivalued=',', **kwargs):

        ....
        self._headers_not_written = True
        ....

    def export_item(self, item):
        if self._headers_not_written:
            self._headers_not_written = False
            self._write_headers_and_set_fields_to_export(item)

此外，-o 选项仅指示 crawler将抓取的项目转储到指定的输出中:

class Command(ScrapyCommand):

    ....

    def add_options(self, parser):
        ScrapyCommand.add_options(self, parser)
        parser.add_option("-a", dest="spargs", action="append", default=[], metavar="NAME=VALUE", \
            help="set spider argument (may be repeated)")
        parser.add_option("-o", "--output", metavar="FILE", \
            help="dump scraped items into FILE (use - for stdout)")
        parser.add_option("-t", "--output-format", metavar="FORMAT", default="jsonlines", \
            help="format to use for dumping items with -o (default: %default)")