使用一个Scrapy蜘蛛访问多个网站

Question

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创建一个蜘蛛或一组蜘蛛，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，然后蜘蛛程序以某种方式读取它。

Answer 1

警告：此答案适用于Scrapy v0.7，自那时以来，蜘蛛管理器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您的自定义规则，并使用您自己的规则/正则表达式和domain_name实例化自定义蜘蛛

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)

现在是您的自定义蜘蛛类，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):
         ...

笔记：

• 如果您想利用CrawlSpider的Rules系统，也可以对其进行扩展
• 要运行蜘蛛，请使用： ./scrapy-ctl.py crawl <name>，其中name传递给SpiderManager.fromdomain，这是从后端系统检索更多蜘蛛信息的关键
• 由于解决方案会覆盖默认的SpiderManager，因此无法对经典的Spider（每个SPIDER的python模块）进行编码，但是，我认为这对您来说不是问题。有关默认蜘蛛管理器TwistedPluginSpiderManager的更多信息