python - Scrapy 在长时间运行的过程中多次爬行

Question

所以，我创建了这个类，以便我可以使用 Scrapy 按需爬取:

from scrapy import signals
from scrapy.crawler import CrawlerProcess, Crawler
from scrapy.settings import Settings


class NewsCrawler(object):

    def __init__(self, spiders=[]):
        self.spiders = spiders
        self.settings = Settings()

    def crawl(self, start_date, end_date):
        crawled_items = []

        def add_item(item):
            crawled_items.append(item)

        process = CrawlerProcess(self.settings)

        for spider in self.spiders:
            crawler = Crawler(spider, self.settings)
            crawler.signals.connect(add_item, signals.item_scraped)
            process.crawl(crawler, start_date=start_date, end_date=end_date)

        process.start()

        return crawled_items

基本上，我有一个长时间运行的进程，我会多次调用上面类的 crawl 方法，如下所示:

import time


crawler = NewsCrawler(spiders=[Spider1, Spider2])

while True:
    items = crawler.crawl(start_date, end_date)
    # do something with crawled items ...
    time.sleep(3600)

问题是，第二次调用crawl时，会出现这个错误:twisted.internet.error.ReactorNotRestartable。

据我了解，这是因为 reactor 在停止后无法运行。有什么解决方法吗？

谢谢!

Answer 1

目前这是 scrapy(twisted) 的一个限制，并且很难将 scrapy 用作库。

您可以做的是派生一个新进程，该进程运行爬虫并在爬虫完成时停止 react 器。然后，您可以等待加入并在爬网完成后生成一个新进程。如果您想处理主线程中的项目，您可以将结果发布到队列中。不过，我建议为您的项目使用自定义管道。

看看我的以下回答:https://stackoverflow.com/a/22202877/2208253

您应该能够应用相同的原则。但是您宁愿使用多处理而不是台球。