JAVA高级面试进阶训练营视频教程

admin

解决Scrapy-Redis爬取完毕之后继续空跑的问题

 

1. 背景

根据scrapy-redis分布式爬虫的原理，多台爬虫主机共享一个爬取队列。当爬取队列中存在request时，爬虫就会取出request进行爬取，如果爬取队列中不存在request时，爬虫就会处于等待状态，行如下：

1.  
   E:\Miniconda\python.exe E:/PyCharmCode/redisClawerSlaver/redisClawerSlaver/spiders/main.py
2.  
   2017 -12 -12 15: 54: 18 [scrapy.utils.log] INFO: Scrapy 1.4 .0 started (bot: scrapybot)
3.  
   2017 -12 -12 15: 54: 18 [scrapy.utils.log] INFO: Overridden settings: { 'SPIDER_LOADER_WARN_ONLY': True}
4.  
   2017 -12 -12 15: 54: 18 [scrapy.middleware] INFO: Enabled extensions:
5.  
   [ 'scrapy.extensions.corestats.CoreStats',
6.  
   'scrapy.extensions.telnet.TelnetConsole',
7.  
   'scrapy.extensions.logstats.LogStats']
8.  
   2017 -12 -12 15: 54: 18 [myspider_redis] INFO: Reading start URLs from redis key 'myspider:start_urls' (batch size: 110, encoding: utf -8
9.  
   2017 -12 -12 15: 54: 18 [scrapy.middleware] INFO: Enabled downloader middlewares:
10.  
    [ 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
11.  
    'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
12.  
    'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
13.  
    'redisClawerSlaver.middlewares.ProxiesMiddleware',
14.  
    'redisClawerSlaver.middlewares.HeadersMiddleware',
15.  
    'scrapy.downloadermiddlewares.retry.RetryMiddleware',
16.  
    'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
17.  
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
18.  
    'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
19.  
    'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
20.  
    'scrapy.downloadermiddlewares.stats.DownloaderStats']
21.  
    2017 -12 -12 15: 54: 18 [scrapy.middleware] INFO: Enabled spider middlewares:
22.  
    [ 'scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
23.  
    'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
24.  
    'scrapy.spidermiddlewares.referer.RefererMiddleware',
25.  
    'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
26.  
    'scrapy.spidermiddlewares.depth.DepthMiddleware']
27.  
    2017 -12 -12 15: 54: 18 [scrapy.middleware] INFO: Enabled item pipelines:
28.  
    [ 'redisClawerSlaver.pipelines.ExamplePipeline',
29.  
    'scrapy_redis.pipelines.RedisPipeline']
30.  
    2017 -12 -12 15: 54: 18 [scrapy.core.engine] INFO: Spider opened
31.  
    2017 -12 -12 15: 54: 18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
32.  
    2017 -12 -12 15: 55: 18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
33.  
    2017 -12 -12 15: 56: 18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)

• 可是，如果所有的request都已经爬取完毕了呢？这件事爬虫程序是不知道的，它无法区分结束和空窗期状态的不同，所以会一直处于上面的那种等待状态，也就是我们说的空跑。
• 那有没有办法让爬虫区分这种情况，自动结束呢？

2. 环境

• 系统：win7
• scrapy-redis
• redis 3.0.5
• python 3.6.1

3. 解决方案

• 从背景介绍来看，基于scrapy-redis分布式爬虫的原理，爬虫结束是一个很模糊的概念，在爬虫爬取过程中，爬取队列是一个不断动态变化的过程，随着request的爬取，又会有新的request进入爬取队列。进进出出。爬取速度高于填充速度，就会有队列空窗期（爬取队列中，某一段时间会出现没有request的情况），爬取速度低于填充速度，就不会出现空窗期。所以对于爬虫结束这件事来说，只能模糊定义，没有一个精确的标准。
• 所以，下面这两种方案都是一种大概的思路。

3.1. 利用scrapy的关闭spider扩展功能

• 参考官方文档：http://scrapy-chs.readthedocs.io/zh_CN/0.24/topics/extensions.html

1.  
   # 关闭spider扩展
2.  
   class scrapy.contrib.closespider.CloseSpider
3.  
   当某些状况发生，spider会自动关闭。每种情况使用指定的关闭原因。
4.  
    
5.  
   关闭spider的情况可以通过下面的设置项配置：
6.  
    
7.  
   CLOSESPIDER_TIMEOUT
8.  
   CLOSESPIDER_ITEMCOUNT
9.  
   CLOSESPIDER_PAGECOUNT
10.  
    CLOSESPIDER_ERRORCOUNT

• CLOSESPIDER_TIMEOUT

1.  
   CLOSESPIDER_TIMEOUT
2.  
   默认值: 0
3.  
    
4.  
   一个整数值，单位为秒。如果一个spider在指定的秒数后仍在运行， 它将以 closespider_timeout 的原因被自动关闭。 如果值设置为 0（或者没有设置），spiders不会因为超时而关闭。

• CLOSESPIDER_ITEMCOUNT

1.  
   CLOSESPIDER_ITEMCOUNT
2.  
   缺省值: 0
3.  
    
4.  
   一个整数值，指定条目的个数。如果spider爬取条目数超过了指定的数， 并且这些条目通过item pipeline传递，spider将会以 closespider_itemcount 的原因被自动关闭。

• CLOSESPIDER_PAGECOUNT

1.  
   CLOSESPIDER_PAGECOUNT
2.  
   0 .11 新版功能.
3.  
    
4.  
   缺省值: 0
5.  
    
6.  
   一个整数值，指定最大的抓取响应( reponses)数。 如果 spider抓取数超过指定的值，则会以 closespider_pagecount 的原因自动关闭。 如果设置为0（或者未设置）， spiders不会因为抓取的响应数而关闭。

• CLOSESPIDER_ERRORCOUNT

1.  
   CLOSESPIDER_ERRORCOUNT
2.  
   0 .11 新版功能.
3.  
    
4.  
   缺省值: 0
5.  
    
6.  
   一个整数值，指定 spider可以接受的最大错误数。 如果 spider生成多于该数目的错误，它将以 closespider_errorcount 的原因关闭。 如果设置为0（或者未设置）， spiders不会因为发生错误过多而关闭。

• 示例：打开 settings.py，添加一个配置项，如下

1.  
   # 爬虫运行超过23.5小时，如果爬虫还没有结束，则自动关闭
2.  
   CLOSESPIDER_TIMEOUT = 84600

• 特别注意：如果爬虫在规定时限没有把request全部爬取完毕，此时强行停止的话，爬取队列中就还会存有部分request请求。那么爬虫下次开始爬取时，一定要记得在master端对爬取队列进行清空操作。

3.2. 修改scrapy-redis源码

1.  
   # ----------- 修改scrapy-redis源码时，特别需要注意的是：---------
2.  
   # 第一，要留有原始代码的备份。
3.  
   # 第二，当项目移植到其他机器上时，需要将scrapy-redis源码一起移植过去。一般代码位置在\Lib\site-packages\scrapy_redis\下

• 想象一下，爬虫已经结束的特征是什么？那就是爬取队列已空，从爬取队列中无法取到request信息。那着手点应该就在从爬取队列中获取request和调度这个部分。查看scrapy-redis源码，我们发现了两个着手点：

3.2.1. 细节

1.  
   # .\Lib\site-packages\scrapy_redis\schedluer.py
2.  
   def next_request(self):
3.  
   block_pop_timeout = self.idle_before_close
4.  
   # 下面是从爬取队列中弹出request
5.  
   # 这个block_pop_timeout 我尚未研究清除其作用。不过肯定不是超时时间......
6.  
   request = self.queue.pop(block_pop_timeout)
7.  
   if request and self. stats:
8.  
   self.stats.inc_value( 'scheduler/dequeued/redis', spider= self.spider)
9.  
   return request

• 9

1.  
   # .\Lib\site-packages\scrapy_redis\spiders.py
2.  
   def next_requests(self):
3.  
   "" "Returns a request to be scheduled or none." ""
4.  
   use_set = self.settings.getbool( 'REDIS_START_URLS_AS_SET', defaults.START_URLS_AS_SET)
5.  
   fetch_one = self.server.spop if use_set else self.server.lpop
6.  
   # XXX: Do we need to use a timeout here?
7.  
   found = 0
8.  
   # TODO: Use redis pipeline execution.
9.  
   while found < self. redis_batch_size:
10.  
    data = fetch_one( self.redis_key)
11.  
    if not data:
12.  
    # 代表爬取队列为空。但是可能是永久为空，也可能是暂时为空
13.  
    # Queue empty.
14.  
    break
15.  
    req = self.make_request_from_data(data)
16.  
    if req:
17.  
    yield req
18.  
    found += 1
19.  
    else:
20.  
    self.logger.debug( "Request not made from data: %r", data)
21.  
     
22.  
    if found:
23.  
    self.logger.debug( "Read %s requests from '%s'", found, self.redis_key)

• 参考注释，从上述源码来看，就只有这两处可以做手脚。但是爬虫在爬取过程中，队列随时都可能出现暂时的空窗期。想判断爬取队列为空，一般是设定一个时限，如果在一个时段内，队列一直持续为空，那我们可以基本认定这个爬虫已经结束了。所以有了如下的改动：

1.  
   # .\Lib\site-packages\scrapy_redis\schedluer.py
2.  
    
3.  
   # 原始代码
4.  
   def next_request(self):
5.  
   block_pop_timeout = self.idle_before_close
6.  
   request = self.queue.pop(block_pop_timeout)
7.  
   if request and self. stats:
8.  
   self.stats.inc_value( 'scheduler/dequeued/redis', spider= self.spider)
9.  
   return request
10.  
     
11.  
    # 修改后的代码
12.  
    def __init__(self, server,
13.  
    persist=False,
14.  
    flush_on_start=False,
15.  
    queue_key=defaults.SCHEDULER_QUEUE_KEY,
16.  
    queue_cls=defaults.SCHEDULER_QUEUE_CLASS,
17.  
    dupefilter_key=defaults.SCHEDULER_DUPEFILTER_KEY,
18.  
    dupefilter_cls=defaults.SCHEDULER_DUPEFILTER_CLASS,
19.  
    idle_before_close=0,
20.  
    serializer=None):
21.  
    # ......
22.  
    # 增加一个计数项
23.  
    self.lostGetRequest = 0
24.  
     
25.  
    def next_request(self):
26.  
    block_pop_timeout = self.idle_before_close
27.  
    request = self.queue.pop(block_pop_timeout)
28.  
    if request and self. stats:
29.  
    # 如果拿到了就恢复这个值
30.  
    self.lostGetRequest = 0
31.  
    self.stats.inc_value( 'scheduler/dequeued/redis', spider= self.spider)
32.  
    if request is None:
33.  
    self.lostGetRequest += 1
34.  
    print(f "request is None, lostGetRequest = {self.lostGetRequest}, time = {datetime.datetime.now()}")
35.  
    # 100个大概8分钟的样子
36.  
    if self.lostGetRequest > 200:
37.  
    print(f "request is None, close spider.")
38.  
    # 结束爬虫
39.  
    self.spider.crawler.engine.close_spider( self.spider, 'queue is empty')
40.  
    return request

• 相关log信息

1.  
   2017 -12 -14 16: 18: 06 [scrapy.middleware] INFO: Enabled item pipelines:
2.  
   [ 'redisClawerSlaver.pipelines.beforeRedisPipeline',
3.  
   'redisClawerSlaver.pipelines.amazonRedisPipeline',
4.  
   'scrapy_redis.pipelines.RedisPipeline']
5.  
   2017 -12 -14 16: 18: 06 [scrapy.core.engine] INFO: Spider opened
6.  
   2017 -12 -14 16: 18: 06 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
7.  
   request is None, lostGetRequest = 1, time = 2017 -12 -14 16: 18: 06.370400
8.  
   request is None, lostGetRequest = 2, time = 2017 -12 -14 16: 18: 11.363400
9.  
   request is None, lostGetRequest = 3, time = 2017 -12 -14 16: 18: 16.363400
10.  
    request is None, lostGetRequest = 4, time = 2017 -12 -14 16: 18: 21.362400
11.  
    request is None, lostGetRequest = 5, time = 2017 -12 -14 16: 18: 26.363400
12.  
    request is None, lostGetRequest = 6, time = 2017 -12 -14 16: 18: 31.362400
13.  
    request is None, lostGetRequest = 7, time = 2017 -12 -14 16: 18: 36.363400
14.  
    request is None, lostGetRequest = 8, time = 2017 -12 -14 16: 18: 41.362400
15.  
    request is None, lostGetRequest = 9, time = 2017 -12 -14 16: 18: 46.363400
16.  
    request is None, lostGetRequest = 10, time = 2017 -12 -14 16: 18: 51.362400
17.  
    2017 -12 -14 16: 18: 56 [scrapy.core.engine] INFO: Closing spider (queue is empty)
18.  
    request is None, lostGetRequest = 11, time = 2017 -12 -14 16: 18: 56.363400
19.  
    request is None, close spider.
20.  
    登录结果：loginRes = ( 235, b 'Authentication successful')
21.  
    登录成功，code = 235
22.  
    mail has been send successfully. message:Content-Type: text/plain; charset= "utf-8"
23.  
    MIME-Version: 1.0
24.  
    Content-Transfer-Encoding: base64
25.  
    From: 548516910@qq.com
26.  
    To: 548516910@qq.com
27.  
    Subject: =?utf -8?b? 54is6Jmr57uT5p2f54q25oCB5rGH5oql77yabmFtZSA9IHJlZGlzQ2xhd2VyU2xhdmVyLCByZWFzb24gPSBxdWV1ZSBpcyBlbXB0eSwgZmluaXNoZWRUaW1lID0gMjAxNy0xMi0xNCAxNjoxODo1Ni4zNjQ0MDA=?=
28.  
     
29.  
    57uG6IqC77yacmVhc29uID0gcXVldWUgaXMgZW1wdHksIHN1Y2Nlc3NzISBhdDoyMDE3LTEyLTE0
30.  
    IDE2OjE4OjU2LjM2NDQwMA==
31.  
     
32.  
    2017 -12 -14 16: 18: 56 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
33.  
    { 'finish_reason': 'queue is empty',
34.  
    'finish_time': datetime.datetime(2017, 12, 14, 8, 18, 56, 364400),
35.  
    'log_count/INFO': 8,
36.  
    'start_time': datetime.datetime(2017, 12, 14, 8, 18, 6, 362400)}
37.  
    2017 -12 -14 16: 18: 56 [scrapy.core.engine] INFO: Spider closed (queue is empty)
38.  
    Unhandled Error
39.  
    Traceback (most recent call last):
40.  
    File "E:\Miniconda\lib\site-packages\scrapy\commands\runspider.py", line 89, in run
41.  
    self.crawler_process.start()
42.  
    File "E:\Miniconda\lib\site-packages\scrapy\crawler.py", line 285, in start
43.  
    reactor.run(installSignalHandlers= False) # blocking call
44.  
    File "E:\Miniconda\lib\site-packages\twisted\internet\base.py", line 1243, in run
45.  
    self.mainLoop()
46.  
    File "E:\Miniconda\lib\site-packages\twisted\internet\base.py", line 1252, in mainLoop
47.  
    self.runUntilCurrent()
48.  
    --- <exception caught here> ---
49.  
    File "E:\Miniconda\lib\site-packages\twisted\internet\base.py", line 878, in runUntilCurrent
50.  
    call.func(* call.args, ** call.kw)
51.  
    File "E:\Miniconda\lib\site-packages\scrapy\utils\reactor.py", line 41, in __call__
52.  
    return self._func(*self._a, **self._kw)
53.  
    File "E:\Miniconda\lib\site-packages\scrapy\core\engine.py", line 137, in _next_request
54.  
    if self.spider_is_idle(spider) and slot.close_if_idle:
55.  
    File "E:\Miniconda\lib\site-packages\scrapy\core\engine.py", line 189, in spider_is_idle
56.  
    if self.slot.start_requests is not None:
57.  
    builtins.AttributeError: 'NoneType' object has no attribute 'start_requests'
58.  
     
59.  
    2017 -12 -14 16: 18: 56 [twisted] CRITICAL: Unhandled Error
60.  
    Traceback (most recent call last):
61.  
    File "E:\Miniconda\lib\site-packages\scrapy\commands\runspider.py", line 89, in run
62.  
    self.crawler_process.start()
63.  
    File "E:\Miniconda\lib\site-packages\scrapy\crawler.py", line 285, in start
64.  
    reactor.run(installSignalHandlers= False) # blocking call
65.  
    File "E:\Miniconda\lib\site-packages\twisted\internet\base.py", line 1243, in run
66.  
    self.mainLoop()
67.  
    File "E:\Miniconda\lib\site-packages\twisted\internet\base.py", line 1252, in mainLoop
68.  
    self.runUntilCurrent()
69.  
    --- <exception caught here> ---
70.  
    File "E:\Miniconda\lib\site-packages\twisted\internet\base.py", line 878, in runUntilCurrent
71.  
    call.func(* call.args, ** call.kw)
72.  
    File "E:\Miniconda\lib\site-packages\scrapy\utils\reactor.py", line 41, in __call__
73.  
    return self._func(*self._a, **self._kw)
74.  
    File "E:\Miniconda\lib\site-packages\scrapy\core\engine.py", line 137, in _next_request
75.  
    if self.spider_is_idle(spider) and slot.close_if_idle:
76.  
    File "E:\Miniconda\lib\site-packages\scrapy\core\engine.py", line 189, in spider_is_idle
77.  
    if self.slot.start_requests is not None:
78.  
    builtins.AttributeError: 'NoneType' object has no attribute 'start_requests'
79.  
     
80.  
     
81.  
    Process finished with exit code 0

• 有一个问题，如上所述，当通过engine.close_spider(spider, ‘reason’)来关闭spider时，有时会出现几个错误之后才能关闭。可能是因为scrapy会开启多个线程同时抓取，然后其中一个线程关闭了spider，其他线程就找不到spider才会报错。

3.2.2. 注意事项

整个调度过程如下：

• scheduler.py 
  

• queue.py 
  

• 所以，PriorityQueue和另外两种队列FifoQueue，LifoQueue有所不同，特别需要注意。如果会使用到timeout这个参数，那么在setting中就只能指定爬取队列为FifoQueue或LifoQueue。

1.  
   # 指定排序爬取地址时使用的队列，
2.  
   # 默认的 按优先级排序(Scrapy默认)，由sorted set实现的一种非FIFO、LIFO方式。
3.  
   # 'SCHEDULER_QUEUE_CLASS': 'scrapy_redis.queue.SpiderPriorityQueue',
4.  
   # 可选的 按先进先出排序（FIFO）
5.  
   'SCHEDULER_QUEUE_CLASS': 'scrapy_redis.queue.SpiderQueue',
6.  
   # 可选的 按后进先出排序（LIFO）
7.  
   # SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.SpiderStack'

    

    

   https://blog.csdn.net/mr_hui_/article/details/81455387