3

我在一个 Scrapy 项目中有两个蜘蛛。Spider1 抓取页面列表或整个网站并分析内容。Spider2 使用 Splash 在 google 上获取 URL 并将该列表传递给 Spider1。

所以，Spider1抓取并分析内容，无需被Spider2调用即可使用

# coding: utf8
from scrapy.spiders import CrawlSpider
import scrapy


class Spider1(scrapy.Spider):
    name = "spider1"
    tokens = []
    query = ''

    def __init__(self, *args, **kwargs):
        '''
        This spider works with two modes,
        if only one URL it crawls the entire website,
        if a list of URLs only analyze the page
        '''
        super(Spider1, self).__init__(*args, **kwargs)
        start_url = kwargs.get('start_url') or ''
        start_urls = kwargs.get('start_urls') or []
        query = kwargs.get('q') or ''
        if google_query != '':
            self.query = query
        if start_url != '':
            self.start_urls = [start_url]
        if len(start_urls) > 0:
            self.start_urls = start_urls


    def parse(self, response):
        '''
        Analyze and store data
        '''
        if len(self.start_urls) == 1:
            for next_page in response.css('a::attr("href")'):
                yield response.follow(next_page, self.parse)

    def closed(self, reason):
        '''
        Finalize crawl
        '''

Spider2的代码

# coding: utf8
import scrapy
from scrapy_splash import SplashRequest
from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings


class Spider2(scrapy.Spider):
    name = "spider2"
    urls = []
    page = 0

    def __init__(self, *args, **kwargs):
        super(Spider2, self).__init__(*args, **kwargs)
        self.query = kwargs.get('q')
        self.url = kwargs.get('url')
        self.start_urls = ['https://www.google.com/search?q=' + self.query]

    def start_requests(self):
        splash_args = {
            'wait:': 2,
        }
        for url in self.start_urls:
            splash_args = {
                'wait:': 1,
            }
            yield SplashRequest(url, self.parse, args=splash_args)

    def parse(self, response):
        '''
        Extract URLs to self.urls
        '''
        self.page += 1

    def closed(self, reason):
        process = CrawlerProcess(get_project_settings())
        for url in self.urls:
            print(url)
        if len(self.urls) > 0:
            process.crawl('lexi', start_urls=self.urls, q=self.query)
            process.start(False)

运行 Spider2 时出现此错误：twisted.internet.error.ReactorAlreadyRunning并且在没有 URL 列表的情况下调用 Spider1。我尝试按照 Scrapy 文档的建议使用 CrawlRunner，但这是同样的问题。我尝试在 parse 方法中使用 CrawlProcess，它“有效”，但是我仍然有错误消息。在 parse 方法中使用 CrawlRunner 时，它不起作用。

4

1 回答 1

3

scrapy crawl目前，如果您使用命令，则无法从另一个蜘蛛启动蜘蛛（请参阅https://github.com/scrapy/scrapy/issues/1226）。如果您自己编写启动脚本，则可以从蜘蛛启动蜘蛛 - 诀窍是使用相同的 CrawlerProcess/CrawlerRunner 实例。

不过我不会那样做，你是在与框架作斗争。支持这个用例会很好，但现在并不真正支持。

一种更简单的方法是重写代码以使用单个 Spider 类，或者创建一个脚本（bash、Makefile、luigi/airflow，如果你想花哨的话），scrapy crawl spider1 -o items.jl然后运行scrapy crawl spider2；第二个蜘蛛可以读取第一个蜘蛛创建的项目并start_requests相应地生成。

FTR：完全支持在单个蜘蛛中组合 SplashRequests 和常规 scrapy.Requests（它应该可以工作），您不必为它们创建单独的蜘蛛。

于 2017-07-25T21:56:32.113 回答