我正在使用 scrapy 和 sqlalchemy。在我的 Spider 中,我从表中进行选择并使用以下命令创建请求:
def start_requests(self):
db_path = "sqlite:///"+settings.SETTINGS_PATH+"\\data.db"
source_table= self.table
engine = create_engine(db_path)
Base = declarative_base()
# metadata = Base.metadata
# Look up the existing tables from database
Base.metadata.reflect(engine)
# Create class that maps via ORM to the database table
table = type(source_table, (Base,), {'__tablename__': source_table})
Session = sessionmaker(bind=engine)
session = Session()
i = 0
for row in session.query(table).filter(table.url.contains('http')).limit(3):
i += 1
print(row.url)
yield Request(url=row.url, headers= headers, callback=self.get_PDF,meta={'session': session,'row': row, 'cookiejar': i },dont_filter = True)
如您所见,我在每个 scrapy 请求中传递一个 sqlalchemy 行对象。每个行对象都包含空白字段,我从 scrapy 响应中更新这些字段。
def get_PDF(self, response):
row = response.meta['row']
row.field1 = response.field1 # simplified pseudocode
现在我想更新行对象,以便将其更改存储在数据库中。 如果我传递 session 对象,我可以执行 session.commit() 。使用 row_object 执行此操作的最佳方法是什么?我需要传递 session 对象吗?
编辑:我已经更改了蜘蛛以传递 session 对象:
def get_PDF(self, response):
row = response.meta['row']
session = response.meta['session']
row =process_output(o, row)
session.add(row)
session.commit()
最佳答案
我想说始终处理数据库和“外部”存储的最佳方法是使用 Pipeline
,因为它是一种分离代码逻辑的方法。管道仅处理蜘蛛返回的项目,因此您无需担心请求或蜘蛛代码内的其他内容。
管道还会创建一个与爬虫关联的对象,并且仅实例化一次,这对于这种 session
情况非常有帮助。
如果您需要以不同的方式处理项目,您始终可以向每个项目发送唯一标识符,以便管道知道如何处理每个项目。
编辑:
要在蜘蛛内部创建 Session
对象并在管道中重用它,您可以执行以下操作:
蜘蛛:
def start_requests(self):
self.session = Session()
管道
def process_item(self, item, spider):
...
spider.session.commit()
那个spider
是整个爬虫的“唯一”spider实例,因此您可以在那里使用它的属性。
关于python - 在Scrapy中使用Sqlalchemy更新表行,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47943534/