运行CrawlSpider的多个实例

Question

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。

Answer 1

您的代码存在一些问题：

1. 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) 

2. 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。

3. 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。