Scrapy爬虫不存储状态（持久状态）

Question

你好，我有一个基本的爬虫，用来获取给定域上的所有链接。 我想确保它能保持状态，以便可以从上次离开的地方继续执行。 我遵循了给定 URL http://doc.scrapy.org/en/latest/topics/jobs.html 。 但是，当我第一次尝试时，它可以正常运行，并使用 Ctrl+C 结束，但是当我尝试恢复它时，爬行停止在第一个 URL 上。

以下是结束时的日志:

2016-08-29 16:51:08 [scrapy] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 896,
 'downloader/request_count': 4,
 'downloader/request_method_count/GET': 4,
 'downloader/response_bytes': 35320,
 'downloader/response_count': 4,
 'downloader/response_status_count/200': 4,
 'dupefilter/filtered': 149,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2016, 8, 29, 16, 51, 8, 837853),
 'log_count/DEBUG': 28,
 'log_count/INFO': 7,
 'offsite/domains': 22,
 'offsite/filtered': 23,
 'request_depth_max': 1,
 'response_received_count': 4,
 'scheduler/dequeued': 2,
 'scheduler/dequeued/disk': 2,
 'scheduler/enqueued': 2,
 'scheduler/enqueued/disk': 2,
 'start_time': datetime.datetime(2016, 8, 29, 16, 51, 7, 821974)}
2016-08-29 16:51:08 [scrapy] INFO: Spider closed (finished)

这是我的爬虫：

from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from Something.items import SomethingItem

class maxSpider(CrawlSpider):
  name = 'something'
  allowed_domains = ['thecheckeredflag.com', 'inautonews.com']
  start_urls = ['http://www.thecheckeredflag.com/', 'http://www.inautonews.com/']

  rules = (Rule(LinkExtractor(allow=()), callback='parse_obj', follow=True),)


  def parse_obj(self,response):

    for link in LinkExtractor(allow=self.allowed_domains,deny =() ).extract_links(response):
        item = SomethingItem()
        item['url'] = link.url
        yield item
        #print item

Scrapy版本：Scrapy 1.1.2

Python版本：2.7

我是Scrapy的新手，如果需要发布更多信息，请告诉我。

- Ritesh Ksheersagar

---

你的终端/CMD命令是什么样子的？它是否使用了像他们建议的这样的语法：scrapy crawl somespider -s JOBDIR=crawls/somespider-1？ - dblclik

是的，完全一样。它也可以在第一次正确运行，但当我恢复时，以上是恢复的统计信息。 - Ritesh Ksheersagar

你能否粘贴一下你的爬虫开始运行时的日志？配置发生的地方。 - user378704

@kiran.koduru，我弄清楚了发生了什么事情，我已经发布了答案。 - Ritesh Ksheersagar

Answer 1

出现这种情况的原因是由于蜘蛛进程被突然杀死。

当我按下Ctrl+C时，蜘蛛没有正确关闭。现在，当爬虫第一次正确关闭时，它也会正确地恢复。

所以基本上，确保您看到爬虫正常结束/关闭以便它可以继续。

- Ritesh Ksheersagar