Python 刮痕过早地爬行

我已经有一个爬虫程序成功运行了几个月，但在过去的几周里，它在成千上万个应该爬网的页面中只爬过了几页之后就提前完成了

它是一个

SitemapSpider

，具有以下

sitemap\u规则

class FooSitemapSpider(SitemapSpider):
    name = "foo"
    sitemap_urls = ["http://www.foo.se/sitemap.xml"]
    sitemap_rules = [
        ('/bostad/', 'parse_house')
    ]

我要爬网的所有url如下所示：

http://www.foo.se/bostad/address-1-259413
http://www.foo.se/bostad/address-2-275754

大约有50000多个这样的页面需要爬网，但有时0个爬网页面，有时只有少数页面被爬网，蜘蛛会停止爬网，而不会出错。它只是说：

2015-06-25 19:37:38 [scrapy] INFO: Closing spider (finished)
2015-06-25 19:37:38 [scrapy] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 106313,
 'downloader/request_count': 310,
 'downloader/request_method_count/GET': 310,
 'downloader/response_bytes': 2809108,
 'downloader/response_count': 310,
 'downloader/response_status_count/200': 309,
 'downloader/response_status_count/404': 1,
 'file_count': 21,
 'file_status_count/downloaded': 21,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2015, 6, 25, 17, 37, 38, 154000),
 'item_scraped_count': 4,
 'log_count/DEBUG': 1717,
 'log_count/INFO': 9,
 'log_count/WARNING': 8,
 'request_depth_max': 2,
 'response_received_count': 310,
 'scheduler/dequeued': 289,
 'scheduler/dequeued/memory': 289,
 'scheduler/enqueued': 289,
 'scheduler/enqueued/memory': 289,
 'start_time': datetime.datetime(2015, 6, 25, 17, 35, 51, 868000)}
2015-06-25 19:37:38 [scrapy] INFO: Spider closed (finished)

我还尝试更改

用户代理

、

下载延迟

和运行爬行器的服务器/ip，以确保停止我请求的不是目标

有什么想法吗？对我应该调试什么有什么建议吗？这很难，因为我没有出错

以下是包含0个错误的爬网的完整日志：

---

快速检查，您正在运行哪个版本的scrapy？（几天前升级到1.0）您似乎有一个错误：

'log\u count/error'：1

，您能粘贴日志吗？我已将日志粘贴到粘贴箱中，并编辑了我的问题@Lawrence我的示例中的错误来自重复的图像文件名。它没有影响爬网，也不在粘贴的日志中。它有0个错误。快速检查，您正在运行哪个版本的scrapy？（几天前升级到1.0）您似乎有一个错误：

'log\u count/error'：1

，您能粘贴日志吗？我已将日志粘贴到粘贴箱中，并编辑了我的问题@Lawrence我的示例中的错误来自重复的图像文件名。它没有影响爬网，也不在粘贴的日志中。它得到了0个错误。