前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Scrapy:多个爬虫同时运行

Scrapy:多个爬虫同时运行

作者头像
新码农
发布2020-12-29 15:07:41
1.4K0
发布2020-12-29 15:07:41
举报
文章被收录于专栏:新码农博客新码农博客

一、创建运行文件

在spiders目录的同级目录下创建一个commands目录,并在该目录中创建一个crawlall.py,将scrapy源代码里的commands文件夹里的crawl.py源码复制过来,只修改run()方法即可。(文件夹下面必须要有__init__文件)

代码语言:javascript
复制
import os
from scrapy.commands import ScrapyCommand
from scrapy.utils.conf import arglist_to_dict
from scrapy.utils.python import without_none_values
from scrapy.exceptions import UsageError


class Command(ScrapyCommand):
    requires_project = True

    def syntax(self):
        return "[options] <spider>"

    def short_desc(self):
        return "Run all spider"

    def add_options(self, parser):
        ScrapyCommand.add_options(self, parser)
        parser.add_option(
            "-a",
            dest="spargs",
            action="append",
            default=[],
            metavar="NAME=VALUE",
            help="set spider argument (may be repeated)",
        )
        parser.add_option(
            "-o",
            "--output",
            metavar="FILE",
            help="dump scraped items into FILE (use - for stdout)",
        )
        parser.add_option(
            "-t",
            "--output-format",
            metavar="FORMAT",
            help="format to use for dumping items with -o",
        )

    def process_options(self, args, opts):
        ScrapyCommand.process_options(self, args, opts)
        try:
            opts.spargs = arglist_to_dict(opts.spargs)
        except ValueError:
            raise UsageError("Invalid -a value, use -a NAME=VALUE", print_help=False)
        if opts.output:
            if opts.output == "-":
                self.settings.set("FEED_URI", "stdout:", priority="cmdline")
            else:
                self.settings.set("FEED_URI", opts.output, priority="cmdline")
            feed_exporters = without_none_values(
                self.settings.getwithbase("FEED_EXPORTERS")
            )
            valid_output_formats = feed_exporters.keys()
            if not opts.output_format:
                opts.output_format = os.path.splitext(opts.output)[1].replace(".", "")
            if opts.output_format not in valid_output_formats:
                raise UsageError(
                    "Unrecognized output format '%s', set one"
                    " using the '-t' switch or as a file extension"
                    " from the supported list %s"
                    % (opts.output_format, tuple(valid_output_formats))
                )
            self.settings.set("FEED_FORMAT", opts.output_format, priority="cmdline")

    def run(self, args, opts):
        # 获取爬虫列表
        spd_loader_list = self.crawler_process.spider_loader.list()  # 获取所有的爬虫文件。
        print(spd_loader_list)
        # 遍历各爬虫
        for spname in spd_loader_list or args:
            self.crawler_process.crawl(spname, **opts.spargs)
            print("此时启动的爬虫为:" + spname)
        self.crawler_process.start()

二、配置settings

settings.py配置文件还需要加一条。

代码语言:javascript
复制
COMMANDS_MODULE = "项目名称.目录名称"
# COMMANDS_MODULE = "spider.commands"

三、启动爬虫

最后启动crawlall即可!

当然,安全起见,可以先在命令行中进入该项目所在目录,并输入scrapy -h,可以查看是否有命令crawlall 。如果有,那就成功了,可以启动了

代码语言:javascript
复制
scrapy crawlall
# 爬虫好像是2个同时运行,而且运行时是交叉的
本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2020年11月20日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、创建运行文件
  • 二、配置settings
  • 三、启动爬虫
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档