运行 For 循环中的 Scrapy 在第一个运行之后挂起

Question

我想运行在 for 循环中 Scrapy，列表中的每个 URL 一个循环。（注意：我不想要所有这些 URL 作为 start_urls，我需要它们一次运行个）。

我的第一次尝试在循环的第一次迭代后出现了 twisted.internet.error.ReactorNotRestartable 个错误。

对 SO 的搜索给出了一个先前的答案，说 process.start(stop_after_crawl=False) 应该可以解决这个问题。这消除了 Twisted 错误，但现在只是在循环的第一次迭代后挂起。这不是那个问题的重复。

我当前的代码是：

for url in urls:
    process = CrawlerProcess({
        'USER_AGENT': 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
        'DEPTH_LIMIT': 4
    })

    process.crawl(MySpider, url)
    process.start(stop_after_crawl=False)

第一个URL 运行没问题，然后就挂了：

 'response_received_count': 1,
 'scheduler/dequeued': 1,
 'scheduler/dequeued/memory': 1,
 'scheduler/enqueued': 1,
 'scheduler/enqueued/memory': 1,
 'start_time': datetime.datetime(2018, 8, 12, 21, 12, 29, 963422)}
2018-08-12 22:12:30 [scrapy.core.engine] INFO: Spider closed (finished)

Answer 1

为了用 scrapy 遍历列表，我认为使用 "start_requests" 是个好主意：

def start_requests(self):
    with open('./input/id_urls_10k.csv','r') as csvfile:
        urlreader = csv.reader(csvfile, delimiter=',',quotechar='"')
        for row in urlreader:
            if row[1]=="y":
                yield scrapy.Request(url=row[2],meta={'urlkey':row[0]})

Answer 2

您应该可以使用一些 Twisted 模块来完成它。这是一个简单的例子：

from scrapy.crawler import CrawlerRunner
from twisted.internet import defer, tasks

@tasks.react
@defer.inlineCallbacks
def crawl_my_sites(reactor):
    runner = CrawlerRunner({})
    for url in urls:
        yield runner.crawl(MySpider, url)

运行 For 循环中的 Scrapy 在第一个运行之后挂起

Running Scrapy in a For Loop hangs after first run

twisted

scrapy

python-3.x

运行 For 循环中的 Scrapy 在第一个 运行 之后挂起

Running Scrapy in a For Loop hangs after first run

twisted

scrapy

python-3.x

运行 For 循环中的 Scrapy 在第一个运行之后挂起