Python 在启动CrawlerProcess/Scrapy时修改Spider的CSV文件输入

我正在用CrawlerProcess并行启动几个蜘蛛，就像那样

def main():

    # ----- This part launch all given spiders ----- #

    process = CrawlerProcess(get_project_settings())

    process.crawl(FirstSpider)
    process.crawl(SecondSpider)
    process.crawl(ThirdSpider)
    process.crawl(EtcSpider)

    process.start()  # the script will block here until the crawling is finished

所有爬行器都基于CSV输入文件工作，该文件包含可在网站上查找的信息。以下是一个示例：

class FirstSpider(scrapy.Spider):
    name = "first_bot"

    def start_requests(self):
        base_url = "https://example.fr/catalogsearch/result/?q="
        script_dir = osp.dirname(osp.realpath(__file__))
        file_path = osp.join(script_dir, 'files', 'to_collect_firstbot.csv')
        input_file = open(file_path, 'r', encoding="utf-8", errors="ignore")
        reader = csv.reader(input_file)
        for row in reader:
            if row:
                url = row[0]
                absolute_url = base_url + url
                print(absolute_url)
                yield scrapy.Request(
                    absolute_url,
                    meta={
                        "handle_httpstatus_list": [302, 301, 502],
                    },
                    callback=self.parse
                )

它可以工作，但我可能不得不修改输入文件名，这是为每个spider记录的

---

是否可以在所有spider脚本上保留一个默认自定义文件，然后放入core.py文件启动所有spider，如果需要，修改CSV输入文件在这种情况下，所有spider的文件和名称都相同

获取参数，您可以从您的爬行器内部使用它们。

您可以将参数传递给您的爬行器爬网，我认为这正是您需要的

将代码更改为：

class FirstSpider(scrapy.Spider):
    name = "first_bot"

    file_name = 'to_collect_firstbot.csv' # <- we are gonna change this variable later

    def start_requests(self):
        base_url = "https://example.fr/catalogsearch/result/?q="
        script_dir = osp.dirname(osp.realpath(__file__))
        file_path = osp.join(script_dir, 'files', self.file_name) # here we use the argument
        input_file = open(file_path, 'r', encoding="utf-8", errors="ignore")
        reader = csv.reader(input_file)
        for row in reader:
            if row:
                url = row[0]
                absolute_url = base_url + url
                print(absolute_url)
                yield scrapy.Request(
                    absolute_url,
                    meta={
                        "handle_httpstatus_list": [302, 301, 502],
                    },
                    callback=self.parse
                )

检查第三次调用是否未设置file_name参数，这意味着spider将使用spider代码中指定的默认参数：

file_name = 'to_collect_firstbot.csv'

---

这正是我需要的！谢谢

file_name = 'to_collect_firstbot.csv'