问题说明:larbin程序爬取某个网站,在爬取完所有连接后,如果有定义爬取完后exit(),则程序会终止进程;如果没有定义,larbin程序只会会输出一些统计信息,其他貌似都没工作了,对于新增的连接也不会爬取。
鉴于以上问题,larbin程序需要重启。一下介绍两个方案,代码就不贴了。
方案一:
主要思想:
判断队列( URLsDisk->getLength(),URLsDiskWait->getLength() )是否为空,如果队列为空则说明已经没有需要爬取的url连接了,larbin程序需要重新启动。
方案二:
主要思想:
定义urls(到目前已经获取的url数量),pages(到目前已经获取的pages),old_url(8秒前已经获取的url数量),old_pages(8秒前已经获取的page数量)
如果目前获取的url、pages数量和8秒前获取的url、pages数量相等,则判断larbin程序已经完成了爬取,需要重启。
重启步骤,先创建子进程,子进程启动新的larbin程序后,父进程杀死原来的larbin程序。