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。
Photoshop 2026 是 Adobe 推出的专业图像处理与视觉设计软件，支持 Windows、macOS 和 iPad 等平台，广泛应用于摄影修图、电商设计、平面海报、数字绘画及视觉合成等创作场景。
Blender 是一款免费开源、跨平台的专业 3D 创作软件，集建模、动画、渲染、视频编辑与视觉合成等功能于一体，广泛应用于影视动画、游戏设计和建筑可视化等领域。软件支持 Cycles 物理渲染器与 Eevee 实时渲染引擎，并提供多边形建模、骨骼绑定、物理模拟等专业工具。Blender 兼容 Windows、macOS 和 Linux 系统，安装包轻巧、运行流畅，依托活跃的全球开发者社区持续更新，是从初学者到专业创作者都值得选择的正版 3D 创作工具。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
Photoshop 2026 是 Adobe 推出的专业图像处理与视觉设计软件，支持 Windows、macOS 和 iPad 等平台，广泛应用于摄影修图、电商设计、平面海报、数字绘画及视觉合成等创作场景。
Blender 是一款免费开源、跨平台的专业 3D 创作软件，集建模、动画、渲染、视频编辑与视觉合成等功能于一体，广泛应用于影视动画、游戏设计和建筑可视化等领域。软件支持 Cycles 物理渲染器与 Eevee 实时渲染引擎，并提供多边形建模、骨骼绑定、物理模拟等专业工具。Blender 兼容 Windows、macOS 和 Linux 系统，安装包轻巧、运行流畅，依托活跃的全球开发者社区持续更新，是从初学者到专业创作者都值得选择的正版 3D 创作工具。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
Wise Folder Hider Pro 是一款专业级文件和文件夹隐藏加密软件，为私密数据添加多重保护。高频操作更强调就近处理，浏览、整理和跨目录移动文件时，来回切换和重复点击都会少很多。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。