scrapy-redis所有request爬取完毕,如何解决爬虫空跑问题?
2018-08-05 12:11
731 查看
scrapy-redis所有request爬取完毕,如何解决爬虫空跑问题?
1. 背景
根据scrapy-redis分布式爬虫的原理,多台爬虫主机共享一个爬取队列。当爬取队列中存在request时,爬虫就会取出request进行爬取,如果爬取队列中不存在request时,爬虫就会处于等待状态,行如下:
[code]E:\Miniconda\python.exe E:/PyCharmCode/redisClawerSlaver/redisClawerSlaver/spiders/main.py 2017-12-12 15:54:18 [scrapy.utils.log] INFO: Scrapy 1.4.0 started (bot: scrapybot) 2017-12-12 15:54:18 [scrapy.utils.log] INFO: Overridden settings: {'SPIDER_LOADER_WARN_ONLY': True} 2017-12-12 15:54:18 [scrapy.middleware] INFO: Enabled extensions: ['scrapy.extensions.corestats.CoreStats', 'scrapy.extensions.telnet.TelnetConsole', 'scrapy.extensions.logstats.LogStats'] 2017-12-12 15:54:18 [myspider_redis] INFO: Reading start URLs from redis key 'myspider:start_urls' (batch size: 110, encoding: utf-8 2017-12-12 15:54:18 [scrapy.middleware] INFO: Enabled downloader middlewares: ['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware', 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware', 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware', 'redisClawerSlaver.middlewares.ProxiesMiddleware', 'redisClawerSlaver.middlewares.HeadersMiddleware', 'scrapy.downloadermiddlewares.retry.RetryMiddleware', 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware', 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware', 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware', 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware', 'scrapy.downloadermiddlewares.stats.DownloaderStats'] 2017-12-12 15:54:18 [scrapy.middleware] INFO: Enabled spider middlewares: ['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware', 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware', 'scrapy.spidermiddlewares.referer.RefererMiddleware', 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware', 'scrapy.spidermiddlewares.depth.DepthMiddleware'] 2017-12-12 15:54:18 [scrapy.middleware] INFO: Enabled item pipelines: ['redisClawerSlaver.pipelines.ExamplePipeline', 'scrapy_redis.pipelines.RedisPipeline'] 2017-12-12 15:54:18 [scrapy.core.engine] INFO: Spider opened 2017-12-12 15:54:18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 2017-12-12 15:55:18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 2017-12-12 15:56:18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
- 可是,如果所有的request都已经爬取完毕了呢?这件事爬虫程序是不知道的,它无法区分结束和空窗期状态的不同,所以会一直处于上面的那种等待状态,也就是我们说的空跑。
- 那有没有办法让爬虫区分这种情况,自动结束呢?
2. 环境
- 系统:win7
- scrapy-redis
- redis 3.0.5
- python 3.6.1
3. 解决方案
- 从背景介绍来看,基于scrapy-redis分布式爬虫的原理,爬虫结束是一个很模糊的概念,在爬虫爬取过程中,爬取队列是一个不断动态变化的过程,随着request的爬取,又会有新的request进入爬取队列。进进出出。爬取速度高于填充速度,就会有队列空窗期(爬取队列中,某一段时间会出现没有request的情况),爬取速度低于填充速度,就不会出现空窗期。所以对于爬虫结束这件事来说,只能模糊定义,没有一个精确的标准。
- 所以,下面这两种方案都是一种大概的思路。
3.1. 利用scrapy的关闭spider扩展功能
[code]# 关闭spider扩展 class scrapy.contrib.closespider.CloseSpider 当某些状况发生,spider会自动关闭。每种情况使用指定的关闭原因。 关闭spider的情况可以通过下面的设置项配置: CLOSESPIDER_TIMEOUT CLOSESPIDER_ITEMCOUNT CLOSESPIDER_PAGECOUNT CLOSESPIDER_ERRORCOUNT
- CLOSESPIDER_TIMEOUT
[code]CLOSESPIDER_TIMEOUT 默认值: 0 一个整数值,单位为秒。如果一个spider在指定的秒数后仍在运行, 它将以 closespider_timeout 的原因被自动关闭。 如果值设置为0(或者没有设置),spiders不会因为超时而关闭。
- CLOSESPIDER_ITEMCOUNT
[code]CLOSESPIDER_ITEMCOUNT 缺省值: 0 一个整数值,指定条目的个数。如果spider爬取条目数超过了指定的数, 并且这些条目通过item pipeline传递,spider将会以 closespider_itemcount 的原因被自动关闭。
- CLOSESPIDER_PAGECOUNT
[code]CLOSESPIDER_PAGECOUNT 0.11 新版功能. 缺省值: 0 一个整数值,指定最大的抓取响应(reponses)数。 如果spider抓取数超过指定的值,则会以 closespider_pagecount 的原因自动关闭。 如果设置为0(或者未设置),spiders不会因为抓取的响应数而关闭。
- CLOSESPIDER_ERRORCOUNT
[code]CLOSESPIDER_ERRORCOUNT 0.11 新版功能. 缺省值: 0 一个整数值,指定spider可以接受的最大错误数。 如果spider生成多于该数目的错误,它将以 closespider_errorcount 的原因关闭。 如果设置为0(或者未设置),spiders不会因为发生错误过多而关闭。
- 示例:打开 settings.py,添加一个配置项,如下
[code]# 爬虫运行超过23.5小时,如果爬虫还没有结束,则自动关闭 CLOSESPIDER_TIMEOUT = 84600
- 特别注意:如果爬虫在规定时限没有把request全部爬取完毕,此时强行停止的话,爬取队列中就还会存有部分request请求。那么爬虫下次开始爬取时,一定要记得在master端对爬取队列进行清空操作。
- 另外如果是分布式爬虫,先确认几台机器同时跑,拿CLOSESPIDER_ITEMCOUNT来说,比如要拿100条数据,10台机器一起跑,那么CLOSESPIDER_ITEMCOUNT=10即可
第二种方案:改scrapy_redis的源码,不适合分布式部署
阅读更多相关文章推荐
- scrapy-redis所有request爬取完毕,如何解决爬虫空跑问题?
- 解决Scrapy-Redis爬取完毕之后继续空跑的问题
- 在AppWeb后台,管理员所有数据已经录入完毕,但用手机浏览器登录评委打分界面,发现打分界面为空,或者选手人数不对等问题,如何解决?
- 【极客学院】-python学习笔记-3-单线程爬虫 (request安装遇到问题及解决,应用requests提取信息)
- 大神教你如何快速解决所有电脑的问题?
- redis使用乐观锁时处理竞争问题,高并发时失败率高如何解决
- 如何解决openstack中协程切换后request_id打印不对或者不打印的问题的
- (5)分布式下的爬虫Scrapy应该如何做-windows下的redis的安装与配置
- redis集群如何解决重启不了的问题
- python3 request 爬虫 httplib.IncompleteRead() 问题的简单解决方法
- [置顶] 【scrapy ip代理池】如何解决ip被限制的问题
- [爬虫项目]scrapy使用ImagePipeline下载图片And图片分类存储(解决路径问题)
- 如何解决Request.Uri.ToString() 中文乱码的问题...
- 爬虫如何解决验证码的问题
- APK IPA --------------- iis7如何添加mime类型支持所有后缀名文件下载的方法(解决特殊后缀文件无法下载的问题)
- Scrapy爬虫框架抓取中文结果为Unicode编码,如何转换UTF-8编码的解决办法
- redis应该中如何解决多写的竞争问题
- 如何解决 XMLHttpRequest 跨域请求的问题
- 如何解决用 jedis 连接在虚拟机上连接redis 超时问题。
- 用secureCRT运行redis-cli操作的时候如何解决这样的问题