我有一个蜘蛛,它使用 meta
处理链中的请求,以生成包含来自多个请求的数据的项目。
我用来生成请求的方式是在第一次调用解析函数时启动所有请求,但是,如果我有太多链接请求,并不是所有的都被安排,最后我没有得到我需要的一切。
为了解决这个问题,我试图让蜘蛛一次请求 5 个产品,当蜘蛛空闲时再次请求(通过在 from_crawler
中连接一个信号)。
问题是,正如我现在的代码一样,spider_idle 不运行 request
函数,蜘蛛会立即关闭。就好像蜘蛛没有闲着。
部分代码如下:
class ProductSpider(scrapy.Spider):
def __init__(self, *args, **kwargs):
super(ProductSpider, self).__init__(*args, **kwargs)
self.parsed_data = []
self.header = {}
f = open('file.csv', 'r')
f_data = [[x.strip()] for x in f]
count=1
first = 'smth'
for product in f_data:
if first != '':
header = product[0].split(';')
for each in range(len(header[1:])):
self.header[header[each+1]] = each+1
first = ''
else:
product = product[0].split(';')
product.append(count)
count+=1
self.parsed_data.append(product)
f.close()
@classmethod
def from_crawler(cls, crawler, *args, **kwargs):
spider = super(ProductSpider, cls).from_crawler(crawler, *args, **kwargs)
crawler.signals.connect(spider.request, signal=signals.spider_idle)
return spider
name = 'products'
allowed_domains = [domains]
handle_httpstatus_list = [400, 404, 403, 503, 504]
start_urls = [start]
def next_link(self,response):
product = response.meta['product']
there_is_next = False
for each in range(response.meta['each']+1, len(product)-1):
if product[each] != '':
there_is_next = True
yield scrapy.Request(product[each], callback=response.meta['func_dict'][each], meta={'func_dict': response.meta['func_dict'],'product':product,'each':each,'price_dict':response.meta['price_dict'], 'item':response.meta['item']}, dont_filter=True)
break
if not there_is_next:
item = response.meta['item']
item['prices'] = response.meta['price_dict']
yield item
#[...] chain parsing functions for each request
def get_products(self):
products = []
data = self.parsed_data
for each in range(5):
if data:
products.append(data.pop())
return products
def request(self):
item = Header()
item['first'] = True
item['sellers'] = self.header
yield item
func_dict = {parsing_functions_for_every_site}
products = self.get_products()
if not products:
return
for product in products:
item = Product()
price_dict = {1:product[1]}
item['name'] = product[0]
item['order'] = product[-1]
for each in range(2, len(product)-1):
if product[each] != '':
#print each, func_dict, product[each]
yield scrapy.Request(product[each], callback=func_dict[each],
meta={'func_dict': func_dict,'product':product,
'each':each,'price_dict':price_dict, 'item':item})
break
raise DontCloseSpider
def parse(self, response=None):
pass
最佳答案
我假设您已经证明您的 request
方法正在被访问,而实际的问题是该方法没有产生请求(甚至是项目)。
这是在 Scrapy 中处理信号时的一个常见错误,因为关联的方法不能产生项目/请求。绕过这个的方法是使用
要求:
request = Request('myurl', callback=self.method_to_parse)
self.crawler.engine.crawl(
request,
spider
)
对于项目:
item = MyItem()
self.crawler.engine.scraper._process_spidermw_output(
item,
None,
Response(''),
spider,
)
此外,spider_idle
信号方法需要接收 spider
参数,因此在您的情况下它应该是这样的:
def request(self, spider):
...
它应该可以工作,但我会推荐一个更好的方法名称。
关于python - Scrapy 蜘蛛没有收到 spider_idle 信号,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42609659/