脚本中的抓痒的蜘蛛

Question

我想通过脚本而不是scrap crawl来运行我的蜘蛛

我找到了这个页面

http://doc.scrapy.org/en/latest/topics/practices.html

但实际上并没有说明该脚本的放置位置。

有什么帮助吗？

Answer 1

这很简单直接:)

只需检查官方文档即可 。 我会做一些更改，以便您可以控制蜘蛛仅在执行python myscript.py时运行，而不是每次从其导入时都运行。 只需添加一个if __name__ == "__main__" ：

import scrapy
from scrapy.crawler import CrawlerProcess

class MySpider(scrapy.Spider):
    # Your spider definition
    pass

if __name__ == "__main__":
    process = CrawlerProcess({
        'USER_AGENT': 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)'
    })

    process.crawl(MySpider)
    process.start() # the script will block here until the crawling is finished

现在将文件另存为myscript.py并运行'python myscript.py`。

请享用！

Answer 2

幸运的是，scrapy源是开放的，因此您可以按照抓取命令的工作方式进行操作，并在代码中进行相同的操作：

...
crawler = self.crawler_process.create_crawler()
spider = crawler.spiders.create(spname, **opts.spargs)
crawler.crawl(spider)
self.crawler_process.start()

Answer 3

您可以只创建一个普通的Python脚本，然后使用Scrapy的命令行选项runspider ，它使您无需创建项目即可运行蜘蛛。

例如，您可以使用以下内容创建一个文件stackoverflow_spider.py ：

import scrapy

class QuestionItem(scrapy.item.Item):
    idx = scrapy.item.Field()
    title = scrapy.item.Field()

class StackoverflowSpider(scrapy.spider.Spider):
    name = 'SO'
    start_urls = ['http://stackoverflow.com']
    def parse(self, response):
        sel = scrapy.selector.Selector(response)
        questions = sel.css('#question-mini-list .question-summary')
        for i, elem in enumerate(questions):
            l = scrapy.contrib.loader.ItemLoader(QuestionItem(), elem)
            l.add_value('idx', i)
            l.add_xpath('title', ".//h3/a/text()")
            yield l.load_item()

然后，如果正确安装了scrapy，则可以使用以下命令运行它：

scrapy runspider stackoverflow_spider.py -t json -o questions-items.json

Answer 4

你为什么不这样做呢？

from scrapy import cmdline

cmdline.execute("scrapy crawl myspider".split())

将该脚本放在您放置scrapy.cfg的相同路径中