scrapy 怎样添加命令行参数

Posted 2023-03-21

　在scrapy使用过程中，很多情况下需要根据实际需求定制自己的扩展，小到实现自己的pipelines，大到用新的scheduler替换默认的scheduler。

　　扩展可以按照是否需要读取crawler大致分为两种，对于不需要读取的，比如pipelines的编写，只需要实现默认的方法porcess_item。需要读取的，如scheduler的编写又存在另外的方式。

　　1.第一种
　　这种处理起来比较简单，一般是根据scrapy的signals实现相应的处理。具体实现可见文档pipelines的编写方法。

　　2.第二种
　　（1）区别：
　　这种方式和第一种的主要区别是需要使用crawler内部信息，比如接收内部信号，如signals.spider_opened等。还体现在对设置setting.py的是否需要读取上。

　　（2）实现：
　　i)读取设置一般通过from_settings函数实现。一下是scrapy-redis中scheduler的from_settings的实现方法：

　　def from_settings(cls, settings):
　　persist = settings.get('SCHEDULER_PERSIST', SCHEDULER_PERSIST)
　　queue_key = settings.get('SCHEDULER_QUEUE_KEY', QUEUE_KEY)
　　queue_cls = load_object(settings.get('SCHEDULER_QUEUE_CLASS', QUEUE_CLASS))
　　dupefilter_key = settings.get('DUPEFILTER_KEY', DUPEFILTER_KEY)
　　idle_before_close = settings.get('SCHEDULER_IDLE_BEFORE_CLOSE', IDLE_BEFORE_CLOSE)
　　server = connection.from_settings(settings)
　　return cls(server, persist, queue_key, queue_cls, dupefilter_key, idle_before_close)
　　ii)from_crawler()

　　Scrapy API的主要入口是 Crawler 的实例对象， 通过类方法 from_crawler 将它传递给扩展(extensions)。 该对象提供对所有Scrapy核心组件的访问， 也是扩展访问Scrapy核心组件和挂载功能到Scrapy的唯一途径。

　　实现例子如下：

　　def from_crawler(cls, crawler):
　　instance = cls.from_settings(crawler.settings)
　　return instance
　　iii)其它函数

　　想pipelines中的process_item一样，有些函数是此类型组建所必需的，整个框架在执行时会使用到次函数，所以必须加以实现。如scheduler中的enqueue_request、next_request等函数。

　　最难处理的也是第iii种，这需要全局了解scrapy运行逻辑，函数调用关系等。比较简单的方式是按照原组件的函数功能，函数返回值等根据自己编写的扩展的功能重新实现。就是照葫芦画瓢。

　　scrapy内data stream在其文档的架构上已经说明，但是转化到代码上好难找啊。 参考技术A Spider arguments are passed through the crawl command using the -a option. For example:

scrapy crawl myspider -a category=electronics
Spiders receive arguments in their constructors:

class MySpider(BaseSpider):
name = 'myspider'

def __init__(self, category=None):
self.start_urls = ['http://www.XXX.com/categories/%s' % category]
# ...
Spider arguments can also be passed through the schedule.json API.