栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 面试经验 > 面试问答

使用一个Scrapy spider访问多个网站

面试问答 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

使用一个Scrapy spider访问多个网站

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 MyParametrizedSpiderclass 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 pre 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 baseSpiderclass 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):         ...


转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/375959.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号