Estou escrevendo um rastreador para obter os nomes dos itens de um site. O site tem 25 itens por página e várias páginas (200 para alguns tipos de itens).

Aqui está o código:

from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.selector import HtmlXPathSelector
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from lonelyplanet.items import LonelyplanetItem

class LonelyplanetSpider(CrawlSpider):
    name = "lonelyplanetItemName_spider"
    allowed_domains = ["lonelyplanet.com"]
    def start_requests(self):
        for i in xrange(8):
            yield self.make_requests_from_url("http://www.lonelyplanet.com/europe/sights?page=%d" % i)

def parse(self, response):
    hxs = HtmlXPathSelector(response)
    sites = hxs.select('//h2')
    items = []
    for site in sites:
        item = LonelyplanetItem()
        item['name'] = site.select('a[@class="targetUrl"]/text()').extract()
        items.append(item)
    return items

Quando executo o rastreador e armazeno os dados no formato csv, os dados não são armazenados em ordem, ou seja, os dados da página 2 são armazenados antes da página 1 ou da página 3 serem armazenados antes da página 2 e de forma semelhante. Também às vezes, antes de todos os dados de uma determinada página serem armazenados, os dados de outra página chegam e os outros dados da antiga página são armazenados novamente.