如何在scrapy spider中传递用户定义的参数
Posted
技术标签:
【中文标题】如何在scrapy spider中传递用户定义的参数【英文标题】:How to pass a user defined argument in scrapy spider 【发布时间】:2013-03-14 17:53:13 【问题描述】:我正在尝试将用户定义的参数传递给 scrapy 的蜘蛛。任何人都可以建议如何做到这一点?
我在某处读到了一个参数-a
,但不知道如何使用它。
【问题讨论】:
【参考方案1】:Spider 参数使用-a
选项在crawl
命令中传递。例如:
scrapy crawl myspider -a category=electronics -a domain=system
蜘蛛可以将参数作为属性访问:
class MySpider(scrapy.Spider):
name = 'myspider'
def __init__(self, category='', **kwargs):
self.start_urls = [f'http://www.example.com/category'] # py36
super().__init__(**kwargs) # python3
def parse(self, response)
self.log(self.domain) # system
取自 Scrapy 文档:http://doc.scrapy.org/en/latest/topics/spiders.html#spider-arguments
2013 年更新:添加第二个参数
2015 年更新:调整措辞
2016 年更新:使用更新的基类并添加 super,感谢 @Birla
2017 年更新:使用 Python3 super
# previously
super(MySpider, self).__init__(**kwargs) # python2
2018 年更新:As @eLRuLL points out,蜘蛛可以访问参数作为属性
【讨论】:
scrapy crawl myspider -a category=electronics -a domain=system 上面的代码对我来说只是部分工作。例如。如果我使用self.domain
定义域,我仍然无法在__init__
方法之外访问它。 Python 抛出未定义的错误。顺便说一句,你为什么省略了super
电话? PS。我正在使用 CrawlSpider 类
@FlyingAtom 如果我误解了请纠正我,但是这些并发调用中的每一个都是蜘蛛的不同实例,不是吗?
@Birla,在构造函数中使用 self.domain=domain 来填充类范围变量。
@nealmcb __init__
是蜘蛛类的一个方法。它的实现本身并不会使蜘蛛变得不那么健壮,并且它包含在答案中以表明您可以为关键字参数声明默认值,但正如您所说的那样它是可选的。正如我们去年指出的那样,您不需要使用getattr
,您可以将参数作为属性访问,例如self.category
或我们在答案self.domain
中看到的@【参考方案2】:
以前的答案是正确的,但是您不必每次要编写scrapy的蜘蛛时都声明构造函数(__init__
),您可以像以前一样指定参数:
scrapy crawl myspider -a parameter1=value1 -a parameter2=value2
在您的蜘蛛代码中,您可以将它们用作蜘蛛参数:
class MySpider(Spider):
name = 'myspider'
...
def parse(self, response):
...
if self.parameter1 == value1:
# this is True
# or also
if getattr(self, parameter2) == value2:
# this is also True
而且它确实有效。
【讨论】:
是的。进入python的黑暗面。【参考方案3】:使用抓取命令传递参数
scrapy crawl myspider -a category='mycategory' -a domain='example.com'
要传递参数以在 scrapyd 上运行,请将 -a 替换为 -d
卷曲http://your.ip.address.here:port/schedule.json -d spider=myspider -d category='mycategory' -d domain='example.com'
蜘蛛将在其构造函数中接收参数。
class MySpider(Spider):
name="myspider"
def __init__(self,category='',domain='', *args,**kwargs):
super(MySpider, self).__init__(*args, **kwargs)
self.category = category
self.domain = domain
Scrapy 将所有参数作为蜘蛛属性,您可以完全跳过 init 方法。请注意使用 getattr 方法获取这些属性,以免代码中断。
class MySpider(Spider):
name="myspider"
start_urls = ('https://httpbin.org/ip',)
def parse(self,response):
print getattr(self,'category','')
print getattr(self,'domain','')
【讨论】:
简洁、健壮和灵活!【参考方案4】:Spider 参数在使用 -a 选项运行 crawl 命令时传递。例如,如果我想将域名作为参数传递给我的蜘蛛,那么我会这样做-
scrapy crawl myspider -a domain="http://www.example.com"
并在蜘蛛的构造函数中接收参数:
class MySpider(BaseSpider):
name = 'myspider'
def __init__(self, domain='', *args, **kwargs):
super(MySpider, self).__init__(*args, **kwargs)
self.start_urls = [domain]
#
...
它会起作用的:)
【讨论】:
【参考方案5】:或者,我们可以使用ScrapyD,它公开了一个 API,我们可以在其中传递 start_url 和蜘蛛名称。 ScrapyD 具有停止/启动/状态/列出蜘蛛的 api。
pip install scrapyd scrapyd-deploy
scrapyd
scrapyd-deploy local -p default
scrapyd-deploy
会以 egg 的形式将蜘蛛部署到守护进程中,甚至维护蜘蛛的版本。在启动蜘蛛时,您可以提及要使用的蜘蛛版本。
class MySpider(CrawlSpider):
def __init__(self, start_urls, *args, **kwargs):
self.start_urls = start_urls.split('|')
super().__init__(*args, **kwargs)
name = testspider
curl http://localhost:6800/schedule.json -d project=default -d spider=testspider -d start_urls="https://www.anyurl...|https://www.anyurl2"
额外的好处是您可以构建自己的 UI 以接受来自用户的 url 和其他参数,并使用上述 scrapyd schedule API 安排任务
更多详情请参考scrapyd API documentation
【讨论】:
以上是关于如何在scrapy spider中传递用户定义的参数的主要内容,如果未能解决你的问题,请参考以下文章