我需要创建一个用户可配置的网络爬虫,考虑使用Scrapy。但是,我不能在代码中硬编码域和允许的URL正则表达式:这将在GUI中进行配置。
如何尽可能简单地使用Scrapy创建一个可以动态配置域和允许的URL正则表达式的爬虫或一组爬虫?例如,我将配置写入文件,然后爬虫以某种方式读取它。
我需要创建一个用户可配置的网络爬虫,考虑使用Scrapy。但是,我不能在代码中硬编码域和允许的URL正则表达式:这将在GUI中进行配置。
如何尽可能简单地使用Scrapy创建一个可以动态配置域和允许的URL正则表达式的爬虫或一组爬虫?例如,我将配置写入文件,然后爬虫以某种方式读取它。
警告:这个答案是针对Scrapy v0.7版本的,自那时起,蜘蛛管理API发生了很大变化。
覆盖默认的SpiderManager类,从数据库或其他地方加载您的自定义规则,并使用自己的规则/正则表达式和域名实例化自定义蜘蛛。
在mybot/settings.py文件中:
SPIDER_MANAGER_CLASS = 'mybot.spidermanager.MySpiderManager'
在我的机器人/蜘蛛管理器.py文件中:
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)
现在是你自定义的蜘蛛类,在 mybot/spider.py 文件中:
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):
...
注:
./scrapy-ctl.py crawl <name>
,其中name
被传递给SpiderManager.fromdomain,并且是从后端系统检索更多蜘蛛信息的关键./scrapy-ctl.py crawl <name>
。scrapy-ctl.py
是什么? - warvariucscrapy
提供的CrawlSpider
子类加上你的rules
,或者XmlFeedSpider
等,并添加domain_name
、start_urls
和可能的extra_domain_names
(以及/或start_requests()
等),从你的GUI(或配置文件等)中获取或推断出它们。
Python使得动态创建类对象变得容易;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))
这提供了一组非常基本的爬虫类列表 -- 在实例化它们之前,您可能需要添加parse
方法。按照自己的口味进行调整...;-)。
现在配置Scrapy以实现这些目的非常容易:
关于要访问的第一个URL,您可以将其作为Spider调用中的属性传递,并使用-a
,并使用start_requests
函数设置如何启动Spider。
您不需要为Spider设置allowed_domains
变量。如果不包括该类变量,则Spider将能够允许每个域。
最终应该像下面这样:
class MySpider(Spider):
name = "myspider"
def start_requests(self):
yield Request(self.start_url, callback=self.parse)
def parse(self, response):
...
你应该这样调用它:
scrapy crawl myspider -a start_url="http://example.com"