这是一个创建于 1617 天前的主题，其中的信息可能已经有所发展或是发生改变。
之前一直都在用 requests, 上手是很简单，但是重新写爬虫的时候有不少内容是重复的。导致新写爬虫时都会从上一个项目那拷贝不少代码过来。
最近上手了 scrapy，发现上手还有点麻烦。前期几个小问题因为我喜欢死磕的个性耗费了不少时间。 最近主要有几个问题想请教下大家。
我的爬取逻辑是先爬取好五六千条数据放表一里，然后再根据这几千条数据的 id 去爬取新的内容。一般能根据每个 id 能爬来 100 条数据放表二里。所以表二爬完后大概有五十万的数据在里面。
问题是我之后还会继续爬，还有六七万的需要放至表一里的数据没有爬，如果还按照同一套存储逻辑来，表二大概得有五六百万条数据，一般这种情况需要做分表处理吗？
还有，有时候会遇到反爬措施 403 错误，我在中间件里设置了当遇到非 200 响应的时候，就会 raise closespider,但是好像停止不了爬虫啊，只是不停地爬取新的页面然后不停地升起新的 closespider 错误，但还是会继续爬。是我的爬取逻辑导致的吗？还是说我的 closespider 代码不够完整？
提前谢谢各位了！
 |
1
ooh 2020-07-24 08:36:31 +08:00  1
几百万条数据，你查询做好索引没问题，
Scapy 默认只处理成功的请求(200-300)，如果要处理错误请求要放到 handle_httpstatus_list = [403] 里面 停止调用 self.crawler.stop() |
 |
2
peonone 2020-07-24 08:49:03 +08:00 1
几百万到不了分表的程度
你在 middleware 里面 raise closespider 是不对的，closespider 是用于在回调函数里面抛出的。 downloader middleware 的 process_response 只接受 Request / Response 返回值或者 IgnoreRequest 异常。 像一楼说的，你需要先保证 403 请求被 spider 的回调处理，然后在回调里面抛出 closespider 遇到这种问题应该先翻翻文档 https://docs.scrapy.org/en/latest/topics/exceptions.html#scrapy.exceptions.CloseSpider https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#scrapy.downloadermiddlewares.DownloaderMiddleware.process_response |
Select Language