[英]building scrapy spiders into my own program, i don't want to call scrapy from command line)
與此問題類似: stackoverflow:run-multiple-spiders-in-scrapy
我想知道,我可以在另一個python程序中運行整個scrapy項目嗎? 讓我們說我想構建一個需要抓取幾個不同站點的整個程序,並為每個站點構建整個scrapy項目。
而不是從命令行運行,我想運行這些蜘蛛並從中獲取信息。
我可以在python中使用mongoDB,我已經可以構建包含蜘蛛的scrapy項目,但現在只需將它們合並到一個應用程序中。
我想運行一次應用程序,並且能夠從我自己的程序中控制多個蜘蛛
為什么這樣? 以及此應用程序還可以使用API連接到其他站點,並且需要實時比較API站點和已刪除站點的結果。 我不想從命令行調用scrapy,它的意思是自包含。
(我最近一直在問很多關於抓取的問題,因為我正在努力尋找合適的解決方案來構建)
謝謝 :)
是的,你當然可以;)
這個想法(靈感來自這篇博文)是創建一個worker然后在你自己的Python腳本中使用它:
from scrapy import project, signals
from scrapy.conf import settings
from scrapy.crawler import CrawlerProcess
from scrapy.xlib.pydispatch import dispatcher
from multiprocessing.queues import Queue
import multiprocessing
class CrawlerWorker(multiprocessing.Process):
def __init__(self, spider, result_queue):
multiprocessing.Process.__init__(self)
self.result_queue = result_queue
self.crawler = CrawlerProcess(settings)
if not hasattr(project, 'crawler'):
self.crawler.install()
self.crawler.configure()
self.items = []
self.spider = spider
dispatcher.connect(self._item_passed, signals.item_passed)
def _item_passed(self, item):
self.items.append(item)
def run(self):
self.crawler.crawl(self.spider)
self.crawler.start()
self.crawler.stop()
self.result_queue.put(self.items)
使用示例:
result_queue = Queue()
crawler = CrawlerWorker(MySpider(myArgs), result_queue)
crawler.start()
for item in result_queue.get():
yield item
另一種方法是使用system()
執行scrapy crawl命令
Maxime Lorant的答案終於解決了我在自己的劇本中制作scrapy蜘蛛的問題。 它解決了我遇到的兩個問題:
它允許連續兩次調用蜘蛛(在scrapy教程中的簡單示例中,這會導致崩潰,因為您無法啟動twister reactor兩次)
它允許將變量從spider返回到腳本中。
只有一件事:這個例子不適用於我現在使用的scrapy版本(Scrapy 1.5.2)和Python 3.7
在玩了一些代碼后,我得到了一個我想分享的工作示例。 我也有一個問題,請參見下面的腳本。 它是一個獨立的腳本,所以我也添加了一個蜘蛛
import logging
import multiprocessing as mp
import scrapy
from scrapy.crawler import CrawlerProcess
from scrapy.signals import item_passed
from scrapy.utils.project import get_project_settings
from scrapy.xlib.pydispatch import dispatcher
class CrawlerWorker(mp.Process):
name = "crawlerworker"
def __init__(self, spider, result_queue):
mp.Process.__init__(self)
self.result_queue = result_queue
self.items = list()
self.spider = spider
self.logger = logging.getLogger(self.name)
self.settings = get_project_settings()
self.logger.setLevel(logging.DEBUG)
self.logger.debug("Create CrawlerProcess with settings {}".format(self.settings))
self.crawler = CrawlerProcess(self.settings)
dispatcher.connect(self._item_passed, item_passed)
def _item_passed(self, item):
self.logger.debug("Adding Item {} to {}".format(item, self.items))
self.items.append(item)
def run(self):
self.logger.info("Start here with {}".format(self.spider.urls))
self.crawler.crawl(self.spider, urls=self.spider.urls)
self.crawler.start()
self.crawler.stop()
self.result_queue.put(self.items)
class QuotesSpider(scrapy.Spider):
name = "quotes"
def __init__(self, **kw):
super(QuotesSpider, self).__init__(**kw)
self.urls = kw.get("urls", [])
def start_requests(self):
for url in self.urls:
yield scrapy.Request(url=url, callback=self.parse)
else:
self.log('Nothing to scrape. Please pass the urls')
def parse(self, response):
""" Count number of The's on the page """
the_count = len(response.xpath("//body//text()").re(r"The\s"))
self.log("found {} time 'The'".format(the_count))
yield {response.url: the_count}
def report_items(message, item_list):
print(message)
if item_list:
for cnt, item in enumerate(item_list):
print("item {:2d}: {}".format(cnt, item))
else:
print(f"No items found")
url_list = [
'http://quotes.toscrape.com/page/1/',
'http://quotes.toscrape.com/page/2/',
'http://quotes.toscrape.com/page/3/',
'http://quotes.toscrape.com/page/4/',
]
result_queue1 = mp.Queue()
crawler = CrawlerWorker(QuotesSpider(urls=url_list[:2]), result_queue1)
crawler.start()
# wait until we are done with the crawl
crawler.join()
# crawl again
result_queue2 = mp.Queue()
crawler = CrawlerWorker(QuotesSpider(urls=url_list[2:]), result_queue2)
crawler.start()
crawler.join()
#
report_items("First result", result_queue1.get())
report_items("Second result", result_queue2.get())
如您所見,代碼幾乎完全相同,除了一些導入由於scrapy API的更改而發生更改。
有一件事:我通過pydistatch導入得到了一個棄用警告:
ScrapyDeprecationWarning: Importing from scrapy.xlib.pydispatch is deprecated and will no longer be supported in future Scrapy versions. If you just want to connect signals use the from_crawler class method, otherwise import pydispatch directly if needed. See: https://github.com/scrapy/scrapy/issues/1762
module = self._system_import(name, *args, **kwargs)
我在這里找到了如何解決這個問題。 但是,我不能讓這個工作。 有誰知道如何應用from_crawler類方法來擺脫棄用警告?
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.