我已经开始使用Scrapy来抓取一些网站。如果我以后在模型中添加一个新字段或更改解析函数,我希望能够离线"回放"下载的原始数据,以便再次抓取。看起来Scrapy曾经有能力将原始数据存储在回放文件中:
http://dev.scrapy.org/browser/scrapy/trunk/scrapy/command/commands/replay.py?rev=168
但这个功能似乎在当前版本的Scrapy中被删除了。有其他方法可以做到这一点吗?
如果运行crawl --record=[cache.file] [scraper]
,则可以使用replay [scraper]
。
或者,您可以通过将HttpCacheMiddleware
包含在DOWNLOADER_MIDDLEWARES
:中来缓存所有响应
DOWNLOADER_MIDDLEWARES = {
'scrapy.contrib.downloadermiddleware.httpcache.HttpCacheMiddleware': 300,
}
如果这样做,每次运行scraper时,它都会首先检查文件系统。
您可以启用HTTPCACHE_ENABLEDhttp://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html?highlight=FilesystemCacheStorage#httpcache-启用
缓存所有http请求和响应以实现恢复爬网。
或者尝试暂停作业并继续爬网http://scrapy.readthedocs.org/en/latest/topics/jobs.html