Scrapy - 如何启动同一个蜘蛛进程的多个实例？

Posted 2023-02-23

【中文标题】Scrapy - 如何启动同一个蜘蛛进程的多个实例？

【英文标题】：Scrapy - How to initiate multiple instances of same spider process?

【发布时间】：2016-02-14 21:47:22

【问题描述】：

我在启动同一个蜘蛛的多个实例时卡住了。我想像 1 个蜘蛛实例的 1 个 url 一样运行它。我必须处理 50k 网址，为此我需要为每个网址启动单独的实例。在我的主要蜘蛛脚本中，我设置了 7 分钟的封闭式超时，以确保我不会长时间爬行。请看下面的代码：

from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings
import urlparse

for start_url in all_urls:
    domain = urlparse.urlparse(start_url).netloc
    if domain.startswith('ww'):
        domain = domain.split(".",1)[1]

    process = CrawlerProcess(get_project_settings())
    process.crawl('textextractor', start_url=start_url,allowed_domains=domain)
    process.start()

它完全为第一个 url 运行，之后当第二个 url 被传递时，它会给出以下错误：

raise error.ReactorNotRestartable()
ReactorNotRestartable

请建议我应该怎么做才能让它为同一个蜘蛛的多个实例运行。另外，我正在考虑使用线程一次启动多个scrapy实例。这会是一个很好的方法吗？

【问题讨论】：

这件事有什么更新吗？

ReactorNotRestartable error in while loop with scrapy的可能重复

你是怎么解决的——面临类似的问题。我用 CrawlerRunner 遍历了我所有的 url，但结果不符合预期。一些 url 被抓取，另一些被限制抓取，而另一些则根本不被抓取。当我只用一个蜘蛛单独运行每个 url 时，结果符合预期。它让我发疯！

【参考方案1】：

这个怎么样

process = CrawlerProcess(get_project_settings())

for start_url in all_urls:
    domain = urlparse.urlparse(start_url).netloc
    if domain.startswith('ww'):
        domain = domain.split(".",1)[1]
    process.crawl('textextractor', start_url=start_url,allowed_domains=domain)

process.start()

【讨论】：

furas 我用你的解决方案进行了测试，但它没有提供正确的结果。这个解决方案确实启动了多个实例而没有给出ReactorNotRestartable 错误，但它只完全抓取最后传递的 url，它确实抓取了其他 url开始爬行，但不要爬行超过 1 个 url 并完成蜘蛛。我已经分别检查了这些 url，它们确实返回了很多爬取的数据。另外，正如我所提到的，我必须为 50k url 执行此操作，这样做是否意味着我将立即开始为 50k url 爬行过程？这看起来是个好方法吗？

【参考方案2】：

您是否有特定原因要启动 50k 个蜘蛛实例？ Twisted 默认只允许单个实例运行（除非你杀死整个进程并重新启动）

其次，“1 个蜘蛛实例的 1 个 url”会导致巨大的内存开销。您应该考虑将所有 url 传递给同一个实例。

【参考方案3】：

就我而言，您的目的不是必需的。因为scrapy中的蜘蛛，你产生的每个request都是异步的。不需要创建多个实例。

加速爬虫的方法是Increase concurrency

而处理50k个url的方式是spider-arguments