python - 为什么 scrapy 转储数千条 `ERROR` 日志消息而没有任何错误描述?

标签 python scrapy

我正在编写一个CrawlSpider来解析Google搜索结果。搜索查询每次都会发生变化,因此蜘蛛必须首先连接到数据库以收集需要解析的搜索查询的信息。这是我带注释的 CrawlSpider 类:

class GoogleSpider(CrawlSpider):
    name = 'googlespider'
    allowed_domains = ['google.com', 'google.ca', 'google.fr']
    logger = log

    _google_query = "http://www.google.{0}/search?q={1}"

    def __init__(self, *args, **kwargs):
        super(GoogleSpider, self).__init__(*args, **kwargs)
        dispatcher.connect(self.get_startup_params, signals.spider_opened)

    @defer.inlineCallbacks
    def get_startup_params(self, spider, **kw):

        # Get the exact requests to issue to google
        exreqs = yield get_exactrequests()

        # Create the google query (i.e. url to scrape) and store associated information
        start_urls = []
        self.item_lookup = {}
        for keyword, exact_request, lang in exreqs['res']:
            url = self.mk_google_query(lang, exact_request)
            start_urls.append(url)
            self.item_lookup[url] = (keyword, exact_request)

        # Assign the google query URLs to `start_urls`
        self.start_urls = tuple(start_urls)

    def mk_google_query(self, lang, search_terms):
        return self._google_query.format(lang, quote(search_terms))

    def parse_item(self, response):
        sel = Selector(response)
        item = Item()
        keyword, exact_request = self.item_lookup[response.request.url]
        item['urls'] = map(lambda r: r.extract(),
                           sel.xpath('//h3[@class="r"]/a/@href'))
        item['keyword'] = keyword
        item['exactrequest'] = exact_request
        return item

当我运行 scrapy scrapy googlespider 时,我得到一个大量日志输出,如下所示:

[-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100 [-] ERROR: 2014-02-17 00:24:38+0100

这个输出持续了(我估计)10,000 行——远远超出了我的终端的回滚。

有人知道问题可能是什么以及我应该如何诊断/修复它吗?

谢谢!

最佳答案

很难说,因为你的日志实际上什么也没说,但建议使用以下内容:

  1. 加载start_urls的方式似乎不必要地复杂,scrapy有现成的start_requests如果您的网址生成需要额外的工作,您可以覆盖该函数
  2. 你是故意继承CrawlerSpider的吗?因为您似乎没有声明任何 rule 我认为您应该从 Spider 继承

关于python - 为什么 scrapy 转储数千条 `ERROR` 日志消息而没有任何错误描述?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21818337/

相关文章:

Python 速记条件

python - 将 Python 中的 float 转换为科学数字

python - Pygame中如何动态显示?

python - 如何让 Scrapy 在日志中根据下载请求显示用户代理?

python - 在 scrapy 中使用 try/except 子句无法获得期望的结果

python - 使用scrapy爬取非unicode亚洲语言(例如中文)网站编码

python - 如何将数据读入 TensorFlow?

python - Mechanize 、urllib、beautifulsoup 和相对路径

python - 如何使用 selenium 和 scrapy 来自动化该过程?

python - 如何使用 python Scrapy 抓取延迟加载图像