问题反馈
在使用中有任何问题,可以反馈给我,以下联系方式跟我交流
- Author: Leo
- Wechat: Leo-sunhailin
E-mail: 379978424@qq.com
开发环境
- Win10 x64
- Python 3.4.4
- Scrapy 1.4.0(目前最新版本,截至2017-11-29)
题目
- 题目或许应该叫: Multiple Spiders in the same process.
- 官方文档的解释就是: 默认情况下Scrapy支持一个爬虫在多线程的情况下进行爬取,但是实际上也支持多个爬虫运行在每一个线程上.(官方也补充了一个internal API,实际上就是Crawl(爬虫)的核心启动接口)
- 有空的我可以写写Scrapy的技巧,如果遇到的话哈哈~有前提的.
示例
- 网上其实有很多参照官网给的例子跑的commands代码,但是多少都一些问题,你不信可以跑一下,很多都是能跑成功但是有报错。但是就是看着不舒服,所幸自己看着源码和官方示例写了一个。
- 其实讲回上面这点,官方也是很奇葩的,给了怎么并发爬虫,不告诉别人怎么运行,直接只是一个scrapy crawl不带参数的,实际上这样写不规范,但是那样也能跑,就是会有报错提示。这时候就要引出自定义命令了。
- 正确的写法和不会报错的写法请往下看~
- 创建一个Scrapy的项目. 对!就是一个普通项目,并没有什么特别的模板.
# 创建一个Scrapy项目
scrapy startproject multiple_spiders复制代码
生成的文件结构是这样的:
multiple_spiders
- multiple_spiders
- commands (一开始没有的,创建完项目后自行创建)
- <双下划线>init<双下划线>.py
- crawlall.py
- spiders (核心代码)
- <双下划线>init<双下划线>.py
- multiple.py
- <双下划线>init<双下划线>.py
- items.py
- middlewares.py
- pipelines.py
- settings.py
- commands (一开始没有的,创建完项目后自行创建)
- scrapy.cfg
- multiple_spiders
spiders/multiple.py的代码:
# -*- coding: UTF-8 -*-
"""
Created on 2017年11月8日
@author: Leo
"""
import scrapy
# 测试代码,功能是把网址的源代码保存到txt中
class MySpider1(scrapy.Spider):
name = "spider-1"
start_urls = ["<爬取的地址1>"]
def parse(self, response):
filename = "./multiple_spiders/test-1.txt"
with open(filename, 'wb') as f:
f.write(response.body)
# 测试代码,功能是把网址的源代码保存到txt中
class MySpider2(scrapy.Spider):
name = "spider-2"
start_urls = ["<爬取的地址2>n"]
def parse(self, response):
filename = "./multiple_spiders/test-2.txt"
with open(filename, 'wb') as f:
f.write(response.body)复制代码
创建commands文件夹,以及文件夹下的init.py文件
(init.py里面不用写东西)创建crawlall.py<名字可以自定义>
# -*- coding: utf-8 -*-
"""
Created on 2017年11月8日
@author: Leo
"""
from scrapy.commands import ScrapyCommand
from scrapy.utils.project import get_project_settings
from scrapy.crawler import CrawlerProcess
from multiple_spiders.spiders.multiple import MySpider1, MySpider2
class Command(ScrapyCommand):
requires_project = True
def syntax(self):
return '[options]'
def short_desc(self):
return 'Runs all of the spiders'
def add_options(self, parser):
ScrapyCommand.add_options(self, parser)
def process_options(self, args, opts):
ScrapyCommand.process_options(self, args, opts)
def run(self, args, opts):
settings = get_project_settings()
one = MySpider1()
two = MySpider2()
process = CrawlerProcess(settings)
process.crawl(one)
process.crawl(two)
process.start()复制代码
- settings.py中加一入一个代码:
COMMANDS_MODULE = 'multiple_spiders.commands'复制代码
- 最后就可以运行了
scrapy crawlall<名字和你commands文件夹的下的py文件名字对应即可>复制代码
至于不想同时启动两个爬虫,或者同时启动三个,或者有三个爬虫同时启动其中2个,过一段时间关闭其中一个再开启另外一个的这类需求。。动动脑子就好了。
最终还是去参考一下官方文档,毕竟Scrapy的文档还是比较丰富的。但有能力的可以直接去看源码,去研究启动的方式,比看文档容易理解一点。
- 具体要看哪些模块我大致提一下(CrawlProcess, CrawlerRunner, Command)