pyspider中可以使用time.sleep()吗?

发布于 2022-09-04 09:09:51 字数 2747 浏览 13 评论 0

最近刚开始上手使用pyspider写爬虫,因为经常被ban,所以想下调一下抓取速率。尝试在脚本里用time.sleep(),发现效果不是我想像中的。
一个最简单的示例脚本如下:

 @every(seconds=1)
    def on_start(self):     
        cur_time  = time.ctime()
        file_object = open('/var/www/pyspider/time.txt', 'a')
        file_object.write("url:http://xxx/list.html time:"+cur_time+"\n")        
        file_object.close( )   
        self.crawl('http://xxx/list.html', callback=self.index_page)

    @config(age=1)
    def index_page(self, response):
        for each in response.doc('a[href^="http"]').items():
            timestr = time.time()           
            self.crawl(each.attr.href, taskid=taskid, callback=self.detail_page)
            time.sleep(5)

    @config(priority=2)
    def detail_page(self, response):
        cur_time  = time.ctime() 
        file_object = open('/var/www/pyspider/time.txt', 'a')
        file_object.write("url:"+response.url+" time:"+cur_time+"\n")        
        file_object.close( )

rate/burst 是0.5/3
发现脚本不是每5秒爬一下,而是sleep了35秒(for循环有7次)后,仍然按照rate/burst的配置走的,记录的文本如下:
url:http://xxx/list.html time:Thu Dec 29 01:46:24 2016
url:http://xxx/6.html time:Thu Dec 29 01:47:00 2016
url:http://xxx/4.html time:Thu Dec 29 01:47:00 2016
url:http://xxx/1.html time:Thu Dec 29 01:47:00 2016
url:http://xxx/2.html time:Thu Dec 29 01:47:02 2016
url:http://xxx/3.html time:Thu Dec 29 01:47:04 2016
url:http://xxx/5.html time:Thu Dec 29 01:47:06 2016
url:http://xxx/7.html time:Thu Dec 29 01:47:08 2016
可见在start执行后,sleep了35秒,再按rate/burst执行的,这是个什么机制啊?除了用rate外,还有没有办法可以自定义抓取速率呢?

如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。

扫码二维码加入Web技术交流群

发布评论

需要 登录 才能够评论, 你可以免费 注册 一个本站的账号。

评论(1

影子是时光的心 2022-09-11 09:09:51

self.crawl 实际上只是提交一个任务,而不是立即执行一个任务。

~没有更多了~
我们使用 Cookies 和其他技术来定制您的体验包括您的登录状态等。通过阅读我们的 隐私政策 了解更多相关信息。 单击 接受 或继续使用网站,即表示您同意使用 Cookies 和您的相关数据。
原文