鍍金池/ 問答/Python/ pyspider的on_finished()函數(shù)調(diào)用問題

pyspider的on_finished()函數(shù)調(diào)用問題

本人的需求是:在操作一批量級比較大的庫時,在庫中添加了一個字段----是否被讀取,每條數(shù)據(jù)有唯一id標識每一條記錄,所以我每次操作完100條數(shù)據(jù),就將起是否被讀取的狀態(tài)置為1,之后又去取得未讀取的limit 100,循環(huán)如此一直到讀完整個庫。但測試的時候出現(xiàn)了一些問題,如下

from pyspider.libs.base_handler import *
import chardet,urllib
import os,ftplib
from ftplib import FTP

class Handler(BaseHandler):
    crawl_config = {
    }
    start = 0
    
    def on_start(self):
        self.crawl('www.baidu.com', callback=self.index_page,force_update=True)

    @every(minutes=24 * 60)
    def index_page(self, response):
        for each in list(response.doc('a[href^="http"]').items())[0:1]:
            self.start += 1
            self.crawl(each.attr.href, callback=self.detail_page,force_update=True)
        ftp_connect(self.start)
        
    @config(priority=2)
    def detail_page(self, response):
        return {
            "url": response.url,
            "title": response.doc('title').text(),
        }
    
    def on_finished(self, response, task):
        #pass
        #在這里改寫回顯操作
        ftp_connect(self.start)
        self.on_start()
        
def ftp_connect(start):
    ftp_server = "192.168.218.10"
    username = "ftpuser"
    password = "password"
    ftp = FTP()
    ftp.set_debuglevel(0)
    ftp.connect(ftp_server,21)
    ftp.login(username,password)
    #現(xiàn)在本地寫一個temp.text文件,將其內(nèi)容讀出,傳到服務(wù)器的ftp路徑下,再刪除temp.text文件
    a = open("temp.txt","wb").write("%d"%start)
    a = open("temp.txt","rb")
    ftp.storbinary("STOR lyric.txt",a)
    os.system("rm -f temp.txt")
    return None

如上代碼,我在on_finished()中進行操作時候,發(fā)現(xiàn)其self.start并沒有按照正常的值去返回,初始化值為0,在index_page()函數(shù)中進行過 +=1 操作,本應(yīng)該是1,可是最后在ftp路徑下查看的文件中的值是0或1(還出現(xiàn)2,3...),如下圖
圖片描述

如上的結(jié)果,導(dǎo)致我在回寫數(shù)據(jù)庫(將是否被讀取置為已讀?。┑臅r候出錯,一個100條記錄的任務(wù)需要執(zhí)行多次才能全部置為已讀取。也就是一個頁面要抓取多次(大概5,6次....),暫時的解決方法是在讀取完庫之后立即回寫,而不是在on_finished()中回寫。但還是希望能了解到為什么on_finished()會出現(xiàn)這樣的問題.

想請問下BaseHandler的運行方式,現(xiàn)在也正在看/pyspider/libs/base_handler.py,問題先掛出來,之后有了自己的想法再填充,希望大家能幫忙給點思路:比如class Handler(BaseHandler) 類是如何切換到task的,其中的各個def又是怎么轉(zhuǎn)換成task....
先行謝謝了

回答
編輯回答
尐潴豬

腳本的設(shè)計是分布式的,所以運行時不保證 Handler 只有單個實例,并且這個實例不會被重建。
所以使用 Handler 類的成員變量,它的行為是不確定的。

如果有在腳本內(nèi)部保存狀態(tài)的需求,我在公司項目中實現(xiàn)過一個類似瀏覽器 JS 的 localStorage 的類,它后端位于 redis 中,可以使用它在腳本間共享數(shù)據(jù)。

2017年5月22日 06:48