運行CrawlSpider的多個實例

Question

我剛剛開始使用scrapy，我想執行以下操作

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

為此，Spider需要接收必須爬網的域作為參數。

我已經成功創建了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進行調用，則結果完全符合我的要求，因此這部分已經很好。

我無法做的是創建多個SubsiteSpider實例，每個實例都以不同的域作為參數。

我嘗試過（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()

變體：

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()

但是我想會發生錯誤，因為該參數未正確傳遞給__init__ ，例如TypeError: __init__() missing 1 required positional argument: 'allowed'或TypeError: __init__() missing 2 required positional arguments: 'starturl' and 'allowed' （循環尚未實現）

所以，這是我的問題：1）如果我不是通過scrapy shell而是從python代碼中開始爬網，將參數傳遞給init的正確方法是什么？ 2）我怎么也可以傳遞-o output.jl參數？ （或者，也許使用允許的參數作為文件名？）3）每次運行每個蜘蛛我都很好-這樣做仍然被認為是最佳/好習慣嗎？ 如果有的話，您能否指向一個更廣泛的教程，內容涉及“使用不同的參數（=目標域），可選地並行運行一次又一次地運行同一蜘蛛”？

提前非常感謝大家！ 如果有任何拼寫錯誤（不是英語為母語的人），或者問題/細節不夠精確，請告訴我如何糾正。

Answer 1

您的代碼存在一些問題：

1. start_urls和allowed_domains是您在__init__()修改的類屬性，使它們在您的類的所有實例之間共享。
   相反，您應該使它們成為實例屬性：

    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. 最后三行不應與Spider類一起放在文件中，因為您可能不想在每次導入Spider時都運行該代碼。

3. 您對CrawlProcess.crawl()調用略有錯誤。 您可以像這樣使用它，以與將它們傳遞給蜘蛛類的__init__()相同的方式傳遞參數。

    process = CrawlerProcess(get_project_settings()) process.crawl('subsites', 'https://example.com', 'example.com') process.start() 

我還如何傳遞-o output.jl參數？ （或者，也許使用允許的參數作為文件名？

您可以使用custom_settings達到相同的效果，為每個實例指定不同的FEED_URI設置。