在 Scrapy 蜘蛛中添加暂停

Question

您好，我想创建一个每天抓取一个网站的蜘蛛程序。我有一个蜘蛛可以抓取我需要的所有东西，但我需要在抓取每篇文章后实施暂停。我也尝试了 threading 模块和 time 模块，但是使用它们似乎不起作用，因为我得到了这个响应（仅来自一些请求）：

DEBUG: Retrying <GET https://www.example.com/.../> (failed 1 times): [<twisted.python.failure.Failure twisted.internet.error.ConnectionLost: Connection to the other side was lost in a non-clean fashion: Connection lost.>].

我的代码如下所示

class AutomatedSpider(scrapy.Spider):
    name = 'automated'
    allowed_domains = ['example-domain.com']
    start_urls = [
        'https://example.com/page/1/...'
    ]
    pause = threading.Event()
    article_num = 1

    def parse(self, response):
        for page_num in range(1, 26):
            for href in set(response.css(".h-100 a::attr(href)").extract()):
                # extract data from all the articles on current page
                self.pause.wait(5.0) # this causes the response mentioned above
                yield scrapy.Request(href, callback=self.parse_article)
                self.article_num += 1

            # move to next page
            next_page = 'https://www.information-age.com/page/'+str(page_num)+'/...'
            yield scrapy.Request(next_page, callback=self.parse)

    def parse_article(self, response):
        # function to extract desired data from website that is being scraped

Answer 1

我不认为 time.sleep 和等待线程可以在 Scrapy 中很好地工作，因为它是异步的工作方式。您可以执行以下操作：

您可以在 settings.py 中输入 DOWNLOAD_DELAY=5 以在请求之间延迟 2.5 到 7.5 秒
使用 RANDOMIZE_DOWNLOAD_DELAY=False 时，它会在两者之间恰好等待 5 秒。
设置CONCURRENT_REQUESTS=1 将确保不会同时有多个请求运行

在 Scrapy 蜘蛛中添加暂停

Adding pause in Scrapy spider

python

multithreading

twisted

scrapy

我的代码如下所示