如何在scrapy spider中传递用户定义的参数

Posted 2023-02-15

【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。

【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:)

【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