Python 在多个网站上使用一个Scrapy spider
我需要创建一个用户可配置的WebSpider/crawler,我正在考虑使用Scrapy。但是,我不能硬编码域和允许的URL regex:es——这将在GUI中进行配置Python 在多个网站上使用一个Scrapy spider,python,web-crawler,scrapy,Python,Web Crawler,Scrapy,我需要创建一个用户可配置的WebSpider/crawler,我正在考虑使用Scrapy。但是,我不能硬编码域和允许的URL regex:es——这将在GUI中进行配置 我如何(尽可能简单地)创建一个spider或一组具有Scrapy的spider,其中域和允许的URL regex:es是可动态配置的?例如,我将配置写入一个文件,蜘蛛以某种方式读取它。无耻的自我提升!您需要为您的项目实例化示例中给出的爬虫程序 您还需要在运行时配置爬虫程序,这只是将配置传递给爬虫程序,并在配置更改时覆盖运行时的设
我如何(尽可能简单地)创建一个spider或一组具有Scrapy的spider,其中域和允许的URL regex:es是可动态配置的?例如,我将配置写入一个文件,蜘蛛以某种方式读取它。无耻的自我提升!您需要为您的项目实例化示例中给出的爬虫程序
您还需要在运行时配置爬虫程序,这只是将配置传递给爬虫程序,并在配置更改时覆盖运行时的设置 您需要的是动态创建spider类,按照
scrapy
提供的方式对您最喜欢的通用spider类进行子类化(CrawlSpider
添加了规则的子类,或XmlFeedSpider
,或其他内容),并添加域名
,开始URL
,以及可能的额外域名
(和/或启动请求()
,等等),因为您可以从GUI(或配置文件,或其他)中获取或推断它们
Python使类对象的动态创建变得容易;一个非常简单的例子可能是:
from scrapy import spider
def makespider(domain_name, start_urls,
basecls=spider.BaseSpider):
return type(domain_name + 'Spider',
(basecls,),
{'domain_name': domain_name,
'start_urls': start_urls})
allspiders = []
for domain, urls in listofdomainurlpairs:
allspiders.append(makespider(domain, urls))
这将为您提供一个非常简单的spider类列表——您可能希望在实例化它们之前向它们添加parse
方法。调味…;-) 警告:这个答案是针对Scrapy v0.7的,自那时以来,spider manager api发生了很大变化。
重写默认SpiderManager类,从数据库或其他地方加载自定义规则,并使用自己的规则/正则表达式和域名实例化自定义spider
在mybot/settings.py中:
SPIDER_MANAGER_CLASS = 'mybot.spidermanager.MySpiderManager'
在mybot/spidermanager.py中:
from mybot.spider import MyParametrizedSpider
class MySpiderManager(object):
loaded = True
def fromdomain(self, name):
start_urls, extra_domain_names, regexes = self._get_spider_info(name)
return MyParametrizedSpider(name, start_urls, extra_domain_names, regexes)
def close_spider(self, spider):
# Put here code you want to run before spiders is closed
pass
def _get_spider_info(self, name):
# query your backend (maybe a sqldb) using `name` as primary key,
# and return start_urls, extra_domains and regexes
...
return (start_urls, extra_domains, regexes)
现在,您可以在mybot/spider.py中自定义spider类:
from scrapy.spider import BaseSpider
class MyParametrizedSpider(BaseSpider):
def __init__(self, name, start_urls, extra_domain_names, regexes):
self.domain_name = name
self.start_urls = start_urls
self.extra_domain_names = extra_domain_names
self.regexes = regexes
def parse(self, response):
...
注:
- 如果您想利用爬行蜘蛛的规则系统,也可以扩展爬行蜘蛛
- 要运行爬行器,请使用:
/scrapy-ctl.py crawl
,其中名称
传递给SpiderManager.fromdomain,是从后端系统检索更多爬行器信息的关键
- 由于解决方案覆盖了默认的SpiderManager,所以编写一个经典的spider(每个spider一个python模块)是不可行的,但是,我认为这对您来说不是问题。有关默认spider管理器的详细信息
现在,为这些目的配置scrapy非常容易:
关于要访问的第一个URL,您可以使用-a
在spider调用中将其作为属性传递,并使用start\u requests
函数设置如何启动spider
您不需要为spider设置允许的\u域
变量。如果不包括该类变量,spider将能够允许每个域
结果应该是:
class MySpider(Spider):
name = "myspider"
def start_requests(self):
yield Request(self.start_url, callback=self.parse)
def parse(self, response):
...
你应该用以下方式来称呼它:
scrapy crawl myspider -a start_url="http://example.com"
与Alex Martelli方法的不同之处在于,spider是按需实例化的,而不是为了使用一个spider而预先实例化所有spider。这种方法可以减少后端的负载和scrapy bot进程的内存占用。我如何为每个自定义spider(项目管道、用户代理等)指定设置?您还提到了/scrapy-ctl.py crawl
。什么是scrapy ctl.py
?@Christian Davén:你的问题的答案不可以接受吗?这个代码会存在于哪里?我试图将爬虫类动态地添加到我的爬行器模块中,但scrapy并没有接收它们。