在用 scrapy 写爬虫的时候，想爬 1 万条，实际只爬了 1000 条，如何解决

[Colorful]

想问下，这个问题如何解决啊？

用的是 mongo 数据库

ITEM_PIPELINES 设的是 300

[bnm965321]

看下停下来的原因是为什么

[bnm965321]

ITEM_PIPELINE 我记得是设置 优先级 的，就是这个 PIPELINE 优先被使用

[python30]

是规则漏掉了那 9000
还是其它什么原因。
先少采点。
采 100 条看看能实际采多少。
这样分析就好办些了

[Colorful]

@bnm965321 个人是比较菜的那种，不知道怎么看原因

[Colorful]

@python30 采集 100-300 条数据是没问题的

[Colorful]

@bnm965321 这个我不太理解

[littleylv]

啥都别说，帖代码

[bnm965321]

@Colorful 看日志到第几页停下来的，看日志是不是列表页每个详情页都进去过

[IanPeverell]

可以把每一次请求都打一个日志出来，看是到哪个断掉的。再看看有没有报错信息，是不是写数据过程出问题了，或者连接超时了，实在不行就写多个爬虫来处理，每个爬虫只请求 1000 个。

[sadfQED2]

少量能抓到，大量抓不到，目测，你 ip 被封了

[aaa5838769]

要不是代码，要不就是被检测到了。

[Colorful]

@IanPeverell 怎么打印日志啊？

[IanPeverell]

@Colorful scrapy.Spider 自带 logger，直接 self.logger.info()就可以。也有可能是请求过于频繁，可以在 settings 里面加上 AUTOTHROTTLE 的配置

[vindurriel]

感觉这个很适合做面试题啊
q: Scrapy 爬虫的停止条件是 10k urls, 为什么爬到 1k 就退出了? db 用 mongo
a: 我不可能知道 （只有这么点信息就能给出答案的就不用继续面了）
q: 那我换一个问题 掌握哪些信息有助于知道呢？
a: 你的输入条件（网站拓扑、配置详情、反爬规则），处理过程（代码、日志、系统事件），输出结果（ 1k 的 urls 和剩下 9k 的异同）
q: 这些信息的价值有没有主次之分？如果只能知道其中三个 你会选啥？
a: 日志 配置 反爬规则
q: 如果怀疑是被反爬规则 ban 掉了 如何验证或绕过？
a: 换 ip，降频率，分批爬
q: 如果让你写爬虫 如何设计日志 /接口 /配置项目 让使用者能更快地定位问题？
a: ...（开始 freestyle ）

[l4ever]

我去, 这问题问的, 我都想骂人. BLOCK 带走.

[vcode]

简单，可以先用排除法，我们请楼下来排除一下

[jugelizi]

论提问的技巧

[Colorful]

@vindurriel 涨知识了，感谢

[Colorful]

@IanPeverell 懂了，谢谢

[lc7029]

运行十次就好了