Scrapy|Scrapy 的断点爬取 Scrapy的断点爬取

有些情况下，例如爬取大的站点，我们希望能暂停爬取，之后再恢复运行。
Scrapy通过如下工具支持这个功能:

一个把调度请求保存在磁盘的调度器一个把访问请求保存在磁盘的副本过滤器[duplicates filter] 一个能持续保持爬虫状态(键/值对)的扩展

Job 路径:

要启用持久化支持，你只需要通过 JOBDIR 设置 job directory 选项。这个路径将会存储所有的请求数据来保持一个单独任务的状态(例如：一次 spider爬取(a spider run))。必须要注意的是，这个目录不允许被不同的 spider 共享，甚至是同一个spider的不同jobs/runs也不行。也就是说，这个目录就是存储一个单独 job的状态信息。

怎么使用??? 要启用一个爬虫的持久化，运行以下命令:

scrapy crawl 爬虫名称 -s JOBDIR=crawls/爬虫名称

然后，你就能在任何时候安全地停止爬虫(按Ctrl-C或者发送一个信号,这时候会看到crawls文件夹下保存了一些文件)。恢复这个爬虫也是同样的命令:

scrapy crawl 爬虫名称 -s JOBDIR=crawls/爬虫名称

持久化的一些坑如果你想要使用 Scrapy 的持久化支持,还有一些东西您需要了解：
注意Cookies 的有效期 Cookies 是有有效期的(可能过期)。所以如果你没有把你的爬虫及时恢复，那么他可能在被调度回去的时候就不能工作了。当然如果你的爬虫不依赖 cookies 就不会有这个问题了。
请求序列化请求是由 pickle 进行序列化的，所以你需要确保你的请求是可被 pickle 序列化的。这里最常见的问题是在在 request 回调函数中使用 lambda 方法，导致无法序列化。
例如，这样就会有问题：

def some_callback(self, response): somearg = 'test' return scrapy.Request( 'http://www.example.com', callback= lambda r: self.other_callback(r, somearg) )def other_callback(self, response, somearg): print("the argument passed is:", somearg)

这样才对：

def some_callback(self, response): somearg = 'test'return scrapy.Request( 'http://www.example.com', meta={'somearg': somearg}, callback=self.other_callback )def other_callback(self, response): somearg = response.meta['somearg'] print("the argument passed is:", somearg)

【Scrapy|Scrapy 的断点爬取】也可以使用scrapy-redis的相关组件来实现暂停和恢复的操作，我们爬取的相关数据会被存放在redis的数据库中