scrapy进阶开发（二）：暂停与重启

• 方法1：命令行设置

# 进入虚拟环境
workon ${YOUR_VIRTUAL_ENV}
# 进入爬虫目录
cd ${YOUR_SPIDER_HOME}
# 爬虫启动命令
srapy crawl spider lagou -s JOBDIR=${STATE_SAVE_PATH}
# 暂停 ctrl+c
# 重启 srapy crawl spider lagou -s JOBDIR=${STATE_SAVE_PATH}
复制代码

• 方法2：爬虫文件内设置

# spider项目里自定义配置
custom_settings={
    JOBDIR : ${STATE_SAVE_PATH}
}
...
# 命令行正常启动
srapy crawl spider lagou 
...
复制代码

• 中间态文件内容

文件名	类型	用处
request.seen	文件	已经访问过的url
spider.state	文件	spider的状态信息
requests.queue	文件夹	request队列
requests.queue/p0	文件	需要继续做完的request

• 注意

  • JOBDIR目录下保存中间态信息
  • 不同的spider不能共用同一个目录
  • 不同的run不能共用同一个目录
  • 不能用kill -9 main.py 命令强制结束爬虫
  • 正常退出使用ctrl+c（只能按一次，按完需要一段时间处理中间状态）