python - 对多个网站使用一个 Scrapy 蜘蛛

Question

我需要创建一个用户可配置的网络蜘蛛/爬虫，我正在考虑使用 Scrapy。但是，我无法对域和允许的 URL regex:es 进行硬编码——这将在 GUI 中进行配置。

我如何(尽可能简单地)使用 Scrapy 创建一个蜘蛛或一组蜘蛛，其中域和允许的 URL regex:es 是动态可配置的？例如。我将配置写入一个文件，蜘蛛以某种方式读取它。

Answer 1

警告:这个答案是针对 Scrapy v0.7 的，蜘蛛管理器 api 从那时起发生了很大变化。

覆盖默认的 SpiderManager 类，从数据库或其他地方加载您的自定义规则，并使用您自己的规则/正则表达式和域名实例化自定义蜘蛛

在 mybot/settings.py 中:

SPIDER_MANAGER_CLASS = 'mybot.spidermanager.MySpiderManager'

在 mybot/spidermanager.py 中:

from mybot.spider import MyParametrizedSpider

class MySpiderManager(object):
    loaded = True

    def fromdomain(self, name):
        start_urls, extra_domain_names, regexes = self._get_spider_info(name)
        return MyParametrizedSpider(name, start_urls, extra_domain_names, regexes)

    def close_spider(self, spider):
        # Put here code you want to run before spiders is closed
        pass

    def _get_spider_info(self, name):
        # query your backend (maybe a sqldb) using `name` as primary key, 
        # and return start_urls, extra_domains and regexes
        ...
        return (start_urls, extra_domains, regexes)

现在你的自定义蜘蛛类，在 mybot/spider.py 中:

from scrapy.spider import BaseSpider

class MyParametrizedSpider(BaseSpider):

    def __init__(self, name, start_urls, extra_domain_names, regexes):
        self.domain_name = name
        self.start_urls = start_urls
        self.extra_domain_names = extra_domain_names
        self.regexes = regexes

     def parse(self, response):
         ...

注意事项:

• 如果您想利用其规则系统，您也可以扩展 CrawlSpider
• 要运行蜘蛛，请使用:./scrapy-ctl.py crawl <name> , 其中name传递给 SpiderManager.fromdomain 并且是从后端系统检索更多蜘蛛信息的关键
• 由于解决方案覆盖了默认的 SpiderManager，因此编写经典蜘蛛(每个 SPIDER 一个 python 模块)的代码不起作用，但是，我认为这对您来说不是问题。有关默认蜘蛛管理器的更多信息 TwistedPluginSpiderManager