Scrapy

实现一个功能很简单的爬虫：目标类似论坛，抓取第一个目录页-》提取所有页面-》找出下一个目录页地址-》提取下一目录页的所有页面；

问题描述

运行的时候发现一个问题，抓取的数量不对。例如第一个目录页有15条，第二个目录页有20条，那么最终应该抓取到35条，但是实际发现最终抓取到的条目是随机的……

试着分开抓，第一次只抓第一个目录页，返回了15条没错；第二次只抓第二个目录页，返回了20条没错；一起抓的时候，返回结果依然随机，25-35之间都有可能。

原因

找了半天发现代码没什么问题，由于之前将log_level设为了“warning”，因此也没有给出什么提示。将其改为默认，发现问题了。

在抓取具体条目时，返回了很多503错误，而scrapy会对每个503错误尝试3次，如果依然出错就直接扔掉这个页面。看了一下scrapy最后的stats，发现503有19个之多……

按此推理，应该是访问太频繁被服务器拒了！

解决办法

首先想的是限制并发数量，在settings.py里修改，加上：

CONCURRENT_REQUESTS = 1

后边的数值是并发限制，发现只有修改为1的时候才能完全不会出错，即使是2都有条目丢失的问题……