同时运行多个scrapy爬虫的几种方法(自定义scrapy项目命令)
来源:互联网 发布:ruijie校园网络拓扑图 编辑:程序博客网 时间:2024/06/05 15:32
试想一下,前面做的实验和例子都只有一个spider。然而,现实的开发的爬虫肯定不止一个。既然这样,那么就会有如下几个问题:1、在同一个项目中怎么创建多个爬虫的呢?2、多个爬虫的时候是怎么将他们运行起来呢?
说明:本文章是基于前面几篇文章和实验的基础上完成的。如果您错过了,或者有疑惑的地方可以在此查看:
安装python爬虫scrapy踩过的那些坑和编程外的思考
scrapy爬虫成长日记之创建工程-抽取数据-保存为json格式的数据
scrapy爬虫成长日记之将抓取内容写入mysql数据库
如何让你的scrapy爬虫不再被ban
一、创建spider
1、创建多个spider, scrapy genspider spidername domain
scrapy genspider CnblogsHomeSpider cnblogs.com
通过上述命令创建了一个spider name为CnblogsHomeSpider的爬虫,start_urls为http://www.cnblogs.com/的爬虫
2、查看项目下有几个爬虫scrapy list
[root@bogon cnblogs]# scrapy listCnblogsHomeSpiderCnblogsSpider
由此可以知道我的项目下有两个spider,一个名称叫CnblogsHomeSpider,另一个叫CnblogsSpider。
更多关于scrapy命令可参考: http://doc.scrapy.org/en/latest/topics/commands.html
二、让几个spider同时运行起来
现在我们的项目有两个spider,那么现在我们怎样才能让两个spider同时运行起来呢?你可能会说写个shell脚本一个个调用,也可能会说写个python脚本一个个运行等。然而我在stackoverflow.com上看到。的确也有不上前辈是这么实现。然而官方文档是这么介绍的。
1、Run Scrapy from a script
import scrapyfrom scrapy.crawler import CrawlerProcessclass MySpider(scrapy.Spider):# Your spider definition...process = CrawlerProcess({'USER_AGENT': 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)'})process.crawl(MySpider)process.start() # the script will block here until the crawling is finished
这里主要通过 scrapy.crawler.CrawlerProcess来实现在脚本里运行一个spider。更多的例子可以在此查看:https://github.com/scrapinghub/testspiders
2、Running multiple spiders in the same process
- 通过 CrawlerProcess
import scrapyfrom scrapy.crawler import CrawlerProcessclass MySpider1(scrapy.Spider):# Your first spider definition...class MySpider2(scrapy.Spider):# Your second spider definition...process = CrawlerProcess()process.crawl(MySpider1)process.crawl(MySpider2)process.start() # the script will block here until all crawling jobs are finished
- 通过 CrawlerRunner
import scrapyfrom twisted.internet import reactorfrom scrapy.crawler import CrawlerRunnerfrom scrapy.utils.log import configure_loggingclass MySpider1(scrapy.Spider):# Your first spider definition...class MySpider2(scrapy.Spider):# Your second spider definition...configure_logging()runner = CrawlerRunner()runner.crawl(MySpider1)runner.crawl(MySpider2)d = runner.join()d.addBoth(lambda _: reactor.stop())reactor.run() # the script will block here until all crawling jobs are finished
- 通过CrawlerRunner和链接(chaining) deferred来线性运行
from twisted.internet import reactor, deferfrom scrapy.crawler import CrawlerRunnerfrom scrapy.utils.log import configure_loggingclass MySpider1(scrapy.Spider):# Your first spider definition...class MySpider2(scrapy.Spider):# Your second spider definition...configure_logging()runner = CrawlerRunner()@defer.inlineCallbacksdef crawl():yield runner.crawl(MySpider1)yield runner.crawl(MySpider2)reactor.stop()crawl()reactor.run() # the script will block here until the last crawl call is finished
这是官方文档提供的几种在script里面运行spider的方法。
三、通过自定义scrapy命令的方式来运行
创建项目命令可参考: http://doc.scrapy.org/en/master/topics/commands.html?highlight=commands_module#custom-project-commands
1、创建commands目录
mkdir commands
注意:commands和spiders目录是同级的
2、在commands下面添加一个文件crawlall.py
这里主要通过修改scrapy的crawl命令来完成同时执行spider的效果。crawl的源码可以在此查看: https://github.com/scrapy/scrapy/blob/master/scrapy/commands/crawl.py
from scrapy.commands import ScrapyCommand from scrapy.crawler import CrawlerRunnerfrom scrapy.utils.conf import arglist_to_dictclass Command(ScrapyCommand):requires_project = Truedef syntax(self): return '[options]' def short_desc(self): return 'Runs all of the spiders' def add_options(self, parser):ScrapyCommand.add_options(self, parser)parser.add_option("-a", dest="spargs", action="append", default=[], metavar="NAME=VALUE", help="set spider argument (may be repeated)")parser.add_option("-o", "--output", metavar="FILE", help="dump scraped items into FILE (use - for stdout)")parser.add_option("-t", "--output-format", metavar="FORMAT", help="format to use for dumping items with -o")def process_options(self, args, opts):ScrapyCommand.process_options(self, args, opts)try:opts.spargs = arglist_to_dict(opts.spargs)except ValueError:raise UsageError("Invalid -a value, use -a NAME=VALUE", print_help=False)def run(self, args, opts):#settings = get_project_settings()spider_loader = self.crawler_process.spider_loaderfor spidername in args or spider_loader.list():print "*********cralall spidername************" + spidernameself.crawler_process.crawl(spidername, **opts.spargs)self.crawler_process.start()
这里主要是用了self.crawler_process.spider_loader.list()方法获取项目下所有的spider,然后利用self.crawler_process.crawl运行spider
3、commands命令下添加__init__.py文件
touch __init__.py
注意:这一步一定不能省略。 我就是因为这个问题折腾了一天。囧。。。就怪自己半路出家的吧。
如果省略了会报这样一个异常
Traceback (most recent call last): File "/usr/local/bin/scrapy", line 9, in <module> load_entry_point('Scrapy==1.0.0rc2', 'console_scripts', 'scrapy')() File "/usr/local/lib/python2.7/site-packages/Scrapy-1.0.0rc2-py2.7.egg/scrapy/cmdline.py", line 122, in execute cmds = _get_commands_dict(settings, inproject) File "/usr/local/lib/python2.7/site-packages/Scrapy-1.0.0rc2-py2.7.egg/scrapy/cmdline.py", line 50, in _get_commands_dict cmds.update(_get_commands_from_module(cmds_module, inproject)) File "/usr/local/lib/python2.7/site-packages/Scrapy-1.0.0rc2-py2.7.egg/scrapy/cmdline.py", line 29, in _get_commands_from_module for cmd in _iter_command_classes(module): File "/usr/local/lib/python2.7/site-packages/Scrapy-1.0.0rc2-py2.7.egg/scrapy/cmdline.py", line 20, in _iter_command_classes for module in walk_modules(module_name): File "/usr/local/lib/python2.7/site-packages/Scrapy-1.0.0rc2-py2.7.egg/scrapy/utils/misc.py", line 63, in walk_modules mod = import_module(path) File "/usr/local/lib/python2.7/importlib/__init__.py", line 37, in import_module __import__(name)ImportError: No module named commands
一开始怎么找都找不到原因在哪。耗了我一整天,后来到http://stackoverflow.com/上得到了网友的帮助。再次感谢万能的互联网,要是没有那道墙该是多么的美好呀!扯远了,继续回来。
4、settings.py目录下创建setup.py( 这一步去掉也没影响,不知道官网帮助文档这么写有什么具体的意义。 )
from setuptools import setup, find_packagessetup(name='scrapy-mymodule', entry_points={ 'scrapy.commands': [ 'crawlall=cnblogs.commands:crawlall', ], }, )
这个文件的含义是定义了一个crawlall命令,cnblogs.commands为命令文件目录,crawlall为命令名。
5. 在settings.py中添加配置:
COMMANDS_MODULE = 'cnblogs.commands'
6. 运行命令scrapy crawlall
最后源码更新至此: https://github.com/jackgitgz/CnblogsSpider
- 同时运行多个scrapy爬虫的几种方法(自定义scrapy项目命令)
- 同时运行多个scrapy爬虫的几种方法(自定义scrapy项目命令)
- windows中同时运行多个scrapy爬虫
- 九.scrapy项目下spiders内多个爬虫同时运行
- python爬虫scrapy之如何同时执行多个scrapy爬行任务
- scrapy的第一个爬虫
- Win7 Eclipse 运行 Python Scrapy爬虫项目
- Scrapy爬虫(一)——你的第一个Scrapy爬虫
- scrapy爬虫运行问题
- scrapy爬虫-------命令解析
- scrapy创建爬虫项目
- Scrapy创建爬虫项目
- python爬虫--scrapy 框架 之 项目外运行爬虫(用脚本运行爬虫)
- scrapy爬虫起步(4)-- 来个scrapy的简介吧
- 利用scrapyd管理scrapy的多个爬虫
- scrapy爬虫多个条件获取字段
- scrapy如何顺序执行多个爬虫
- scrapy顺序执行多个爬虫
- Java sdut acm 2728 最佳拟合直线
- DF标志和串传送指令(1105)
- Python 中Argparse 语句介绍
- 删除排序链表中的重复元素
- PHP获取日期时间差
- 同时运行多个scrapy爬虫的几种方法(自定义scrapy项目命令)
- Ubuntu运行sudo apt-get update遇到的GPG Error的解决
- 第七届蓝桥杯第8题:四平方和
- 蓝桥杯 带分数
- android_TwoScreen
- try catch finally 几种情况下的执行结果。
- pat乙级1028
- 链表详解
- angularjs中过滤器使用