获取Scrapy爬虫输出/结果脚本文件功能
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了获取Scrapy爬虫输出/结果脚本文件功能相关的知识,希望对你有一定的参考价值。
我正在使用脚本文件在scrapy项目中运行spider并且spider正在记录crawler输出/结果。但我想在某个函数中使用该脚本文件中的spider输出/结果。我不想将输出/结果保存在任何文件或数据库中。这是脚本代码来自https://doc.scrapy.org/en/latest/topics/practices.html#run-from-script
from twisted.internet import reactor
from scrapy.crawler import CrawlerRunner
from scrapy.utils.log import configure_logging
from scrapy.utils.project import get_project_settings
configure_logging({'LOG_FORMAT': '%(levelname)s: %(message)s'})
runner = CrawlerRunner(get_project_settings())
d = runner.crawl('my_spider')
d.addBoth(lambda _: reactor.stop())
reactor.run()
def spider_output(output):
# do something to that output
如何在'spider_output'方法中获得蜘蛛输出。可以获得输出/结果。
以下是将所有输出/结果列入列表的解决方案
from scrapy import signals
from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings
from scrapy.signalmanager import dispatcher
def spider_results():
results = []
def crawler_results(signal, sender, item, response, spider):
results.append(item)
dispatcher.connect(crawler_results, signal=signals.item_passed)
process = CrawlerProcess(get_project_settings())
process.crawl(MySpider)
process.start() # the script will block here until the crawling is finished
return results
if __name__ == '__main__':
print(spider_results())
由于crawl(),AFAIK没有办法做到这一点:
返回爬网结束时触发的延迟。
除了将结果输出到记录器之外,爬虫不会将结果存储在任何位置。
然而,返回的输出将与scrapy的整个异步性质和结构相冲突,因此保存到文件然后阅读它是一种优选的方法。
您可以简单地设计将项目保存到文件的管道,并只需读取spider_output
中的文件即可。您将收到您的结果,因为reactor.run()
阻止您的脚本,直到输出文件完整无论如何。
我的建议是使用Python subprocess
模块从脚本运行spider而不是使用scrapy docs中提供的方法从python脚本运行spider。原因是使用subprocess
模块,您可以捕获输出/日志甚至是从蜘蛛内部print
的语句。
在Python 3中,使用run
方法执行spider。防爆。
import subprocess
process = subprocess.run(command, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
if process.returncode == 0:
result = process.stdout.decode('utf-8')
else:
# code to check error using 'process.stderr'
将stdout / stderr设置为subprocess.PIPE
将允许捕获输出,因此设置此标志非常重要。这里command
应该是一个序列或一个字符串(它是一个字符串,然后用另外一个param调用run
方法:shell=True
)。例如:
command = ['scrapy', 'crawl', 'website', '-a', 'customArg=blahblah']
# or
command = 'scrapy crawl website -a customArg=blahblah' # with shell=True
#or
import shlex
command = shlex.split('scrapy crawl website -a customArg=blahblah') # without shell=True
此外,process.stdout
将包含脚本的输出,但它将是bytes
类型。你需要使用str
将它转换为decode('utf-8')
以上是关于获取Scrapy爬虫输出/结果脚本文件功能的主要内容,如果未能解决你的问题,请参考以下文章