python - Scrapy Spider 不存储状态(持久状态)

嗨，有一个基本的蜘蛛程序，可以运行以获取给定域上的所有链接。我想确保它保持它的状态，以便它可以从它离开的地方恢复。我遵循了给定的 url http://doc.scrapy.org/en/latest/topics/jobs.html 。但是当我第一次尝试它时它运行良好，我用 Ctrl+C 结束它，当我尝试恢复它时，爬行停止在第一个 url 本身。

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)

这是我的蜘蛛:

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，如果我需要发布更多信息，请告诉我。

最佳答案

发生这种情况的原因是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，它也会正常恢复。

所以基本上，请确保您看到爬虫正确结束/关闭以使其恢复。

关于python - Scrapy Spider 不存储状态(持久状态)，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/39211490/