[英]Running multiple instances of a CrawlSpider
我刚刚开始使用scrapy,我想执行以下操作
Have a list of n domains
i=0
loop for i to n
Use a (mostly) generic CrawlSpider to get all links (a href) of domain[i]
Save results as json lines
为此,Spider需要接收必须爬网的域作为参数。
我已经成功创建了CrawlSpider:
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapy.item import Item, Field
from scrapy.crawler import CrawlerProcess
class MyItem(Item):
#MyItem Fields
class SubsiteSpider(CrawlSpider):
name = "subsites"
start_urls = []
allowed_domains = []
rules = (Rule(LinkExtractor(), callback='parse_obj', follow=True),)
def __init__(self, starturl, allowed, *args, **kwargs):
print(args)
self.start_urls.append(starturl)
self.allowed_domains.append(allowed)
super().__init__(**kwargs)
def parse_obj(self, response):
item = MyItem()
#fill Item Fields
return item
process = CrawlerProcess({'USER_AGENT': 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)'})
process.crawl(SubsiteSpider)
process.start()
如果我使用scrapy crawl subsites -a starturl=http://example.com -a allowed=example.com -o output.jl
进行调用,则结果完全符合我的要求,因此这部分已经很好。
我无法做的是创建多个SubsiteSpider
实例,每个实例都以不同的域作为参数。
我尝试过(在SpiderRunner.py中)
from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings
process = CrawlerProcess(get_project_settings())
process.crawl('subsites', ['https://example.com', 'example.com'])
process.start()
变体:
from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings
process = CrawlerProcess(get_project_settings())
allowed = ["example.com"]
start = ["https://example.com"]
process.crawl('subsites', start, allowed)
process.start()
但是我想会发生错误,因为该参数未正确传递给__init__
,例如TypeError: __init__() missing 1 required positional argument: 'allowed'
或TypeError: __init__() missing 2 required positional arguments: 'starturl' and 'allowed'
(循环尚未实现)
所以,这是我的问题:1)如果我不是通过scrapy shell而是从python代码中开始爬网,将参数传递给init的正确方法是什么? 2)我怎么也可以传递-o output.jl参数? (或者,也许使用允许的参数作为文件名?)3)每次运行每个蜘蛛我都很好-这样做仍然被认为是最佳/好习惯吗? 如果有的话,您能否指向一个更广泛的教程,内容涉及“使用不同的参数(=目标域),可选地并行运行一次又一次地运行同一蜘蛛”?
提前非常感谢大家! 如果有任何拼写错误(不是英语为母语的人),或者问题/细节不够精确,请告诉我如何纠正。
您的代码存在一些问题:
start_urls
和allowed_domains
是您在__init__()
修改的类属性,使它们在您的类的所有实例之间共享。
相反,您应该使它们成为实例属性:
class SubsiteSpider(CrawlSpider): name = "subsites" rules = (Rule(LinkExtractor(), callback='parse_obj', follow=True),) def __init__(self, starturl, allowed, *args, **kwargs): self.start_urls = [starturl] self.allowed_domains = [allowed] super().__init__(*args, **kwargs)
最后三行不应与Spider类一起放在文件中,因为您可能不想在每次导入Spider时都运行该代码。
您对CrawlProcess.crawl()
调用略有错误。 您可以像这样使用它,以与将它们传递给蜘蛛类的__init__()
相同的方式传递参数。
process = CrawlerProcess(get_project_settings()) process.crawl('subsites', 'https://example.com', 'example.com') process.start()
我还如何传递-o output.jl参数? (或者,也许使用允许的参数作为文件名?
您可以使用custom_settings
达到相同的效果,为每个实例指定不同的FEED_URI
设置。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.