Python爬虫怎么实现断点续传_基于SQLite记录已抓取URL实现
基于SQLite实现爬虫断点续传，需建表含url、status、updated_at三列，使用INSERTORIGNORE防重。请求前将URL标记为pending，成功后更新为success，失败更新为error。重启时对error状态URL设置冷却时间再重置为pending，避免无限重试，并记录更新时间用于超时重试判断。
爬虫的断点续传功能，核心在于如何准确记录已抓取的URL，避免重复劳动。用SQLite来实现，比用文件记录的方式稳定得多，这背后涉及事务、并发控制和状态管理，并非简单的存储问题。下面拆解几个关键操作点，希望对你有帮助。
为什么直接用文件记录URL续传容易出错
用纯文本或JSON存已抓取URL，乍一看确实简单，但并发写入时很容易出问题：丢数据、重复抓取，甚至文件损坏。SQLite自带事务和行级锁，INSERT OR IGNORE能天然防重，SELECT COUNT(*)查进度也快——这可不是过度设计，而是爬虫跑一两天后不崩溃的底线。
建表语句必须包含这三列
只存URL不够。断点续传依赖三个关键状态字段：url（主键）、status（'pending'/'done'/'error'）、updated_at（时间戳）。示例：
CREATE TABLE IF NOT EXISTS crawl_queue ( url TEXT PRIMARY KEY, status TEXT NOT NULL DEFAULT 'pending', updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP);
要是漏掉PRIMARY KEY，重复插入就直接失败；没DEFAULT 'pending'，新URL状态为空，后续WHERE status = 'pending'查不到；时间戳不设默认值，就无法判断哪批URL是上一次中断前插入的。
每次请求前必须先标记为 pending
不能“先请求再入库”，否则程序崩在中间，这个URL就永远卡在“未记录”状态，下次启动直接重抓。正确顺序是：
立即学习“Python免费学习笔记（深入）”；
- 从数据库取一条
status = 'pending'的URL - 用
UPDATE crawl_queue SET status = 'pending', updated_at = CURRENT_TIMESTAMP WHERE url = ?抢占式标记（避免多进程抢同一URL） - 真正发起HTTP请求
- 成功则
UPDATE ... SET status = 'done'，失败则SET status = 'error'
注意：UPDATE必须带WHERE url = ?且用参数化查询，否则可能误标其他URL；updated_at每次更新都要重置，方便按时间排查卡住的任务。
重启时如何安全跳过已抓取内容
别用SELECT * FROM crawl_queue WHERE status != 'done'当待抓队列——如果某URL状态是'error'，你可能还想重试，但直接过滤掉就丢了。更稳妥的做法是：
- 启动时执行
UPDATE crawl_queue SET status = 'pending' WHERE status = 'error' AND updated_at < datetime('now', '-1 hour')（给错误项1小时冷却） - 然后只取
status = 'pending'的URL - 如果要彻底跳过历史成功项，确保解析逻辑里有
if row['status'] == 'done': continue，而不是靠SQL过滤
很多人忽略updated_at的时间条件，导致网络超时的错误任务被无限重试，压垮目标站点。
实际跑起来后，最麻烦的不是SQL怎么写，而是网络IO和数据库写入速度不匹配——加个time.sleep(0.1)比优化SQL更能防止被封，而SQLite的WAL模式开启与否，直接影响并发读写时的锁等待时间。
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
AirBuddy 3 是面向 macOS 的蓝牙外设增强工具，可集中查看 AirPods、Beats 与苹果设备电量，提供快速连接、播放控制、电量提醒、桌面小组件和多台 Mac 外设接力等功能。
AirServer macOS版可把 Mac 转换为无线投屏接收端，通过 AirPlay 或 Google Cast 接收手机、平板和电脑画面，并支持多设备同时连接、高清镜像及会话录制，适合家庭娱乐、课堂教学、会议演示和应用展示。
Beamer 4是面向macOS的本地视频投屏工具，可将Mac中的影片投放到Apple TV、Chromecast及兼容设备，支持常见格式、多类字幕、环绕声、播放列表和电视遥控操作。
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
AirServer Windows版可把电脑变成AirPlay、Google Cast和Miracast无线投屏接收端，适合会议演示、课堂教学及家庭大屏分享。发送设备通常无需另装客户端，并可同时接收和智能排列多个镜像会话。
AlwaysUp是一款面向Windows的系统服务注册与程序托管工具，可让普通应用、脚本及批处理在无人登录时随系统启动，并通过状态检测、异常重启、资源监控和邮件通知保障关键任务持续运行。
AnyDesk Windows版是一款轻量化远程桌面与技术支持工具，可用于控制异地电脑、传输文件、远程打印及无人值守访问。它兼顾连接响应、安全权限和部署灵活性，适合个人远程办公、企业设备维护与客服支持。