多页面爬取时，如何设置阈值，超过后先进行下载？

Question

我在做测试时，爬取了一个多页面的网站，页面的链接我已经事先抓取到存储入库了，然后抓取数据的时候，读数据库就行。但是我是写在一个死循环里面，不断从数据库取数据，直到全部去完。

while True:

            if self.count == self.total_count:
                print("download over")

            data = self.reload_cursor(self.count)

            base_url = "https://www.xxx.info"

            code = str(data["journal_link"]).split('/')[-1]
            url = base_url + code
            meta = {
                "journal_code": code,
                "baseid": data["baseid"],
                "journal_img": data["journal_img"],
                "journal_link": data["journal_link"]

            }

            yield scrapy.Request(url, dont_filter=True, meta=meta)

但是他就一直在那里抓取页面链接，死活跳转不到下载的程序那里。

就想问下，怎么能给他设置个值，比如说爬取50个页面或者100个，先不爬了，先下载数据，抓取详情，数据入库。弄完了再爬取新页面

Answer 1

bobby 2021-07-29 16:57:32

你这个问题算是一个不错的问题， 这也是很多其他同学应该会遇到但是没有在意的问题，你要这样理解scrapy：

1. scrapy可以简单的理解为一个单线程程序，所以你的parse和parse_detail都是在一个线程中运行，也就是说这俩本质上来讲是有先后顺序的，当parse执行完成以后就去执行parse_detail，但是parse很多很猛啊，parse函数只管将自己的url交给scrapy的download下载器，你的url一交出来立马就放入到downloader的队列了

2. 所以parse函数几乎可以很快将这么多的url全部放入到downloader队列，downloader队列就慢慢从队列从取啊，这个时候由于你的parse函数放入队列的数据太快了，导致全部是都是parse中的url，至于已经提交出去的url由于服务器的响应肯定比本地parse执行慢，所以就有大量的url堆积在downloader的队列中

3. 所以你其实应该是想将一个url交给downloader后先下载完成然后再继续交出后续的url

4. 这个其实方案还是挺多的，首先scrapy本身由于只是一个并发框架，所有无法知道你自己想要的顺序是什么，所有可以自己来做

5. 做法比较简单，你设置一个全局的queue或者使用python自带的condition机制，甚至更简单的方式就是使用一个全部变量比如total， 你在parse中交出去一个或者10个url以后，就一直等着这个queue或者condition是否被通知到了，这个时候你的parse_detail函数就负责去每次将total+1，这样你的parse中不停的while判断total是否达到了10，一旦到达了就立马继续yield新的url
   

• 提问者 weixin_慕盖茨9032018 #1

  好的，谢谢老师

• 慕运维2948618 #2

  使用Request的priority参数调优先级会不会更加方便？

• bobby 回复 慕运维2948618 #3

  priority 可以提高优先级，但是优先级动态性，比如哪个url的优先级应该设置为多少自己必须能够管理，所以不论是否使用优先级队列，都应该知道scrapy本身的一些原理