Python 刮削分页定时错误

所以我设置了一个蜘蛛，非常类似于scrapy上的示例

我希望蜘蛛在进入下一页之前抓取所有引用。我还希望它每秒只解析1个引号。因此，如果一页上有20个引号，则需要20秒来刮取引号，然后1秒才能转到下一页

到目前为止，我当前的实现是在实际获取报价信息之前先遍历每个页面

import scrapy

class AuthorSpider(scrapy.Spider):
name = 'author'

start_urls = ['http://quotes.toscrape.com/']

def parse(self, response):
    # follow links to author pages
    for href in response.css('.author+a::attr(href)').extract():
        yield scrapy.Request(response.urljoin(href),
                             callback=self.parse_author)

    # follow pagination links
    next_page = response.css('li.next a::attr(href)').extract_first()
    if next_page is not None:
        next_page = response.urljoin(next_page)
        yield scrapy.Request(next_page, callback=self.parse)

def parse_author(self, response):
    def extract_with_css(query):
        return response.css(query).extract_first().strip()

    yield {
        'name': extract_with_css('h3.author-title::text'),
        'birthdate': extract_with_css('.author-born-date::text'),
        'bio': extract_with_css('.author-description::text'),
    }

以下是我的settings.py文件的基本内容

ROBOTSTXT_OBEY = True
CONCURRENT_REQUESTS = 1
DOWNLOAD_DELAY = 2

---

您可以协调如何生成scrapy.request

例如，您可以创建下一个页面请求，但只有在所有作者请求终止并删除其项目时才会生成该请求

例如：

import scrapy

# Store common info about pending request
pending_authors = {}

class AuthorSpider(scrapy.Spider):
name = 'author'

start_urls = ['http://quotes.toscrape.com/']

def parse(self, response):

    # process pagination links
    next_page = response.css('li.next a::attr(href)').extract_first()
    next_page_request = None
    if next_page is not None:
        next_page = response.urljoin(next_page)
        # Create the Request object, but does not yield it now
        next_page_request = scrapy.Request(next_page, callback=self.parse)

    # Requests scrapping of authors, and pass reference to the Request for next page
    for href in response.css('.author+a::attr(href)').extract():
        pending_authors[href] = False  # Marks this author as 'not processed'
        yield scrapy.Request(response.urljoin(href), callback=self.parse_author,
                             meta={'next_page_request': next_page_request})


def parse_author(self, response):
    def extract_with_css(query):
        return response.css(query).extract_first().strip()

    item = {
        'name': extract_with_css('h3.author-title::text'),
        'birthdate': extract_with_css('.author-born-date::text'),
        'bio': extract_with_css('.author-description::text'),
    }

    # marks this author as 'processed'
    pending_authors[response.url] = True

    # checks if finished processing of all authors
    if len([value for key, value in pending_authors.iteritems() if value == False]) == 0:
        yield item
        next_page_request = response.meta['next_page_request']

        # Requests next page, after finishinr all authors
        yield next_page_request
    else:
        yield item

---

似乎不起作用。全局名称

pending_authors

未定义。JK它应该是self.pending_authors，用于它的所有实例。后续问题：我注意到，使用此方法，如果它看到已解析的页面，它将不会尝试转到下一个链接。您知道如何禁用此功能（不要刮取以前见过的作者，但仍会在页面中迭代）？刚刚编辑了我的答案，“待定作者”是指全局性的，而不是针对每个实例。关于后续问题：这只是一个示例，说明您可以做些什么来协调刮取请求；您可以通过url以外的其他方式保存作者。我也做过类似的事情，但我使用mongodb来存储这些项目，当我进行刮取时，我可以在保存刮取的数据之前先进行检查。谢谢您的帮助！然而，我注意到了这个实现中的一些事情。1.必须在parse和parse_author 2中全局调用挂起的_authors。在这个实现中，如果您看到重复的作者（您以前在以前的scrape中解析过的作者），除非您在middleware.py中将全局挂起的作者dict中的键设置为true，否则将不会处理它