python - 暂停抓取。我能得到故障吗？

Question

我希望能够启动/暂停/恢复蜘蛛，并且我正在尝试使用

scrapy crawl some spiders JOBDIR=crawls/some spider-1

但是，它主要只是复制和粘贴，因为没有太多关于此处实际发生的信息。有人有更多关于细节的信息吗？

我得到了第一部分，但不知道 JOBDIR=crawls/some spider-1 部分实际发生了什么。我看到有人这样写代码

scrapy crawl some spiders JOBDIR=crawls/some spider

.. 没有 -1 并且不知道这有什么区别。我确实注意到了这一点。我倾向于按 CTRL+C 退出，从我阅读的内容和我的经历来看这显然很糟糕，因为如果我重新输入代码

scrapy crawl some spiders JOBDIR=crawls/some spider-1 

.. 就像蜘蛛已经完成一样，它会直接完成。

在我犯了这个错误后，我该如何“重置”它？如果我取出 -1 它将再次工作，但我不知道我是否在那里丢失了一些东西。

Answer 1

As explained in the docs , scrapy 允许暂停和恢复抓取，但是你需要一个 JOBDIR 设置。

JOBDIR 值应该是 path to a directory on your filesystem为了持久化各种对象，scrapy 需要恢复它必须做的事情。

请注意，对于单独的抓取，您需要指向不同的目录:

This directory will be for storing all required data to keep the state of a single job (ie. a spider run). It’s important to note that this directory must not be shared by different spiders, or even different jobs/runs of the same spider, as it’s meant to be used for storing the state of a single job.

复制该文档页面中的内容:

scrapy crawl somespider -s JOBDIR=crawls/somespider-1
             ----------           -------------------
                 |                         |       
         name of your spider               |        
                                           |
                               relative path where to save stuff

另一个使用 JOBDIR 的 scrapy 爬网命令示例可能是:

scrapy crawl myspider -s JOBDIR=/home/myuser/crawldata/myspider_run_32

时间轴示例:

scrapy crawl myspider -s JOBDIR=/home/myuser/crawldata/myspider_run_001
# pause using Ctrl-C ...

# ...lets continue where it was left off
scrapy crawl myspider -s JOBDIR=/home/myuser/crawldata/myspider_run_001
# crawl finished properly.
# (and /home/myuser/crawldata/myspider_run_001 should not contain anything now)

# now you want to crawl a 2nd time, from the beginning
scrapy crawl myspider -s JOBDIR=/home/myuser/crawldata/myspider_run_002