我需要创建一个用户可配置的网络爬虫/爬虫,并且我正在考虑使用Scrapy。但是,我无法对域和允许的URL regex:es进行硬编码-而是可以在GUI中对其进行配置。
如何(尽可能简单)使用Scrapy创建一个spider或一组spider,其中域和允许的URL regex:es是可动态配置的?例如,我将配置写入文件,然后spider程序以某种方式读取它。
警告:此答案适用于Scrapy v0.7,自那时以来,spider管理器api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自定义规则,并使用自己的规则/正则表达式和domain_name实例化自定义spider
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)
现在是您的自定义spider class,位于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): ...