python - 如何在scrapy spider中传递用户定义的参数

Question

我正在尝试将用户定义的参数传递给scrapy 的蜘蛛。谁能建议如何做到这一点？

我在某处读到了一个参数-a，但不知道如何使用它。

Answer 1

使用该选项在crawl命令中传递蜘蛛参数。-a例如：

scrapy crawl myspider -a category=electronics -a domain=system

蜘蛛可以访问参数作为属性：

class MySpider(scrapy.Spider):
    name = 'myspider'

    def __init__(self, category='', **kwargs):
        self.start_urls = [f'http://www.example.com/{category}']  # py36
        super().__init__(**kwargs)  # python3

    def parse(self, response)
        self.log(self.domain)  # system

取自 Scrapy 文档：http ://doc.scrapy.org/en/latest/topics/spiders.html#spider-arguments

2013 年更新：添加第二个参数

2015 年更新：调整措辞

2016 年更新：使用更新的基类并添加超级，谢谢@Birla

2017 年更新：使用 Python3 超级

# previously
super(MySpider, self).__init__(**kwargs)  # python2

2018 年更新：正如@eLRuLL 指出的那样，蜘蛛可以将参数作为属性访问

Answer 2

以前的答案是正确的，但是您不必__init__每次要编写一个scrapy的蜘蛛时都声明构造函数（），您可以像以前一样指定参数：

scrapy crawl myspider -a parameter1=value1 -a parameter2=value2

在您的蜘蛛代码中，您可以将它们用作蜘蛛参数：

class MySpider(Spider):
    name = 'myspider'
    ...
    def parse(self, response):
        ...
        if self.parameter1 == value1:
            # this is True

        # or also
        if getattr(self, parameter2) == value2:
            # this is also True

它只是工作。

Answer 3

使用 crawl 命令传递参数

scrapy crawl myspider -a category='mycategory' -a domain='example.com'

传递参数以在 scrapyd 上运行，将-a替换为-d

curl http://your.ip.address.here:port/schedule.json -d spider=myspider -d category='mycategory' -d domain='example.com'

蜘蛛将在其构造函数中接收参数。

class MySpider(Spider):
    name="myspider"
    def __init__(self,category='',domain='', *args,**kwargs):
        super(MySpider, self).__init__(*args, **kwargs)
        self.category = category
        self.domain = domain

Scrapy 将所有参数作为蜘蛛属性，您可以完全跳过init方法。请注意使用getattr方法获取这些属性，这样您的代码就不会中断。

class MySpider(Spider):
    name="myspider"
    start_urls = ('https://httpbin.org/ip',)

    def parse(self,response):
        print getattr(self,'category','')
        print getattr(self,'domain','')

Answer 4

使用 -a 选项运行爬网命令时传递蜘蛛参数。例如，如果我想将域名作为参数传递给我的蜘蛛，那么我会这样做 -

scrapy 抓取 myspider -a domain="http://www.example.com"

并在蜘蛛的构造函数中接收参数：

class MySpider(BaseSpider):
    name = 'myspider'
    def __init__(self, domain='', *args, **kwargs):
        super(MySpider, self).__init__(*args, **kwargs)
        self.start_urls = [domain]
        #

...

它会工作:)

Answer 5

或者，我们可以使用ScrapyD，它公开了一个 API，我们可以在其中传递 start_url 和蜘蛛名称。ScrapyD 具有停止/启动/状态/列出蜘蛛的 api。

pip install scrapyd scrapyd-deploy
scrapyd
scrapyd-deploy local -p default

scrapyd-deploy会将蜘蛛以鸡蛋的形式部署到守护进程中，甚至它也会维护蜘蛛的版本。在启动蜘蛛时，您可以提及要使用的蜘蛛版本。

class MySpider(CrawlSpider):

    def __init__(self, start_urls, *args, **kwargs):
        self.start_urls = start_urls.split('|')
        super().__init__(*args, **kwargs)
    name = testspider

curl http://localhost:6800/schedule.json -d project=default -d spider=testspider -d start_urls="https://www.anyurl...|https://www.anyurl2"

额外的好处是您可以构建自己的 UI 以接受来自用户的 url 和其他参数，并使用上述 scrapyd schedule API 安排任务

有关详细信息，请参阅scrapyd API 文档