12

我需要创建一个用户可配置的网络蜘蛛/爬虫,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)使用 Scrapy 创建一个蜘蛛或一组蜘蛛,其中域和允许的 URL regex:es 是动态可配置的?例如,我将配置写入文件,然后蜘蛛以某种方式读取它。

4

4 回答 4

10

警告:这个答案适用于 Scrapy v0.7,从那时起蜘蛛管理器 api 发生了很大变化。

覆盖默认 SpiderManager 类,从数据库或其他地方加载您的自定义规则,并使用您自己的规则/正则表达式和 domain_name 实例化自定义蜘蛛

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)

现在你的自定义蜘蛛类,在 mybot/spider.py 中:

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):
         ...

笔记:

  • 如果你想利用它的规则系统,你也可以扩展 CrawlSpider
  • 要运行蜘蛛,请使用: ./scrapy-ctl.py crawl <name>,其中name传递给 SpiderManager.fromdomain 并且是从后端系统检索更多蜘蛛信息的关键
  • 由于解决方案覆盖了默认的 SpiderManager,编码一个经典的蜘蛛(每个 SPIDER 的一个 python 模块)是行不通的,但是,我认为这对你来说不是问题。有关默认蜘蛛管理器TwistedPluginSpiderManager的更多信息
于 2010-03-07T18:19:52.610 回答
4

您需要动态创建蜘蛛类,将您最喜欢的通用蜘蛛类子类化,由scrapy(添加的CrawlSpider子类提供rules,或XmlFeedSpider,或其他)并添加domain_name,,start_urls和可能extra_domain_names(和/或start_requests(),等),当你得到或推断它们从您的 GUI(或配置文件,或其他)。

Python 使得执行类对象的这种动态创建变得容易;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))

这为您提供了一个非常简单的蜘蛛类列表——您可能希望parse在实例化它们之前向它们添加方法。调味...;-)。

于 2010-03-07T17:17:02.750 回答
3

在domo上无耻的自我宣传!您需要为您的项目实例化示例中给出的爬虫。

此外,您还需要使爬虫在运行时可配置,这只是将配置传递给爬虫,并在配置更改时覆盖运行时的设置。

于 2010-03-07T16:47:14.137 回答
0

现在为这些目的配置scrapy非常容易:

  1. 关于要访问的第一个 url,您可以将其作为属性传递给蜘蛛调用-a,并使用该start_requests函数设置如何启动蜘蛛

  2. 您不需要allowed_domains为蜘蛛设置变量。如果您不包含该类变量,蜘蛛将能够允许每个域。

它最终应该是这样的:

class MySpider(Spider):

    name = "myspider"

    def start_requests(self):
        yield Request(self.start_url, callback=self.parse)


    def parse(self, response):
        ...

你应该用以下方式调用它:

scrapy crawl myspider -a start_url="http://example.com"
于 2016-12-20T02:05:03.067 回答