带爬行器的爬行器初始化中的参数

Question

我想用蜘蛛爬虫代码来获取一些房地产数据。但它一直给我这个错误：

回溯（最近一次呼叫最后一次）：

文件“//anaconda/lib/python2.7/site packages/twisted/internet/defer.py”，第1301行，in_inlineCallbacks result=g.send（result）

文件“//anaconda/lib/python2.7/site packages/scrapy/crawler.py”，第90行，第六行。重新发布（*exc_信息）

文件“//anaconda/lib/python2.7/site packages/scrapy/crawler.py”，第71行，在crawl self中。蜘蛛=自我_创建_spider（*args，**kwargs）

file"//anaconda/lib/python2.7/site-pack/scrapy/crawler.py"，第94行，_create_spider返回self.spidercls.from_crawler（自己，*args，**kwargs）

file"//anaconda/lib/python2.7/site-pack/scrapy/spiders/crawl.py"，第96行，from_crawlerspider=Super（CrawlSpider， cls）。from_crawler（爬虫，*args，**kwargs）

文件“//anaconda/lib/python2.7/site packages/scrapy/spider/init.py”，第50行，from_crawler spider=cls（*args，**kwargs）

类型错误：init（）正好需要3个参数（1个给定）

以下是定义爬虫程序的代码：

class RealestateSpider(scrapy.spiders.CrawlSpider):

    ###Real estate web crawler
    name = 'buyrentsold'
    allowed_domains = ['realestate.com.au']

    def __init__(self, command, search):
        search = re.sub(r'\s+', '+', re.sub(',+', '%2c', search)).lower()
        url = '/{0}/in-{{0}}{{{{0}}}}/list-{{{{1}}}}'.format(command)
        start_url = 'http://www.{0}{1}'
        start_url = start_url.format(
                self.allowed_domains[0], url.format(search)
        )
        self.start_urls = [start_url.format('', 1)]
        extractor = scrapy.linkextractors.sgml.SgmlLinkExtractor(
                allow=url.format(re.escape(search)).format('.*', '')
        )
        rule = scrapy.spiders.Rule(
                extractor, callback='parse_items', follow=True
        )
        self.rules = [rule]
        super(RealestateSpider, self).__init__()

    def parse_items(self, response):
        ###Parse a page of real estate listings
        hxs = scrapy.selector.HtmlXPathSelector(response)
        for i in hxs.select('//div[contains(@class, "listingInfo")]'):
            item = RealestateItem()
            path = 'div[contains(@class, "propertyStats")]//text()'
            item['price'] = i.select(path).extract()
            vcard = i.select('div[contains(@class, "vcard")]//a')
            item['address'] = vcard.select('text()').extract()
            url = vcard.select('@href').extract()
            if len(url) == 1:
                item['url'] = 'http://www.{0}{1}'.format(
                        self.allowed_domains[0], url[0]
                )
            features = i.select('dl')
            for field in ('bed', 'bath', 'car'):
                path = '(@class, "rui-icon-{0}")'.format(field)
                path = 'dt[contains{0}]'.format(path)
                path = '{0}/following-sibling::dd[1]'.format(path)
                path = '{0}/text()'.format(path)
                item[field] = features.select(path).extract() or 0
            yield item

以下是erorr出现的时间：

crawler = scrapy.crawler.CrawlerProcess(scrapy.conf.settings)
sp=RealestateSpider(command, search)
crawler.crawl(sp)
crawler.start()

有人能帮我解决这个问题吗？谢谢！

Answer 1

我遇到了这个问题，上面的解决方案对我来说太难了
但是我通过将参数作为类属性传递来避开了这个问题：

process = CrawlerProcess()
sp = MySpider
sp.storage = reference_to_datastorage
process.crawl(sp)
process.start()

希望这是你问题的潜在解决方案。

Answer 2

crawler.crawl（）方法需要spider类作为参数，其中在代码中提供了一个spider对象。

有几种方法可以正确地做到这一点，但是最直接的方法是简单地扩展蜘蛛类：

class MySpider(Spider):
    command = None
    search = None

    def __init__(self):
        # do something with self.command and self.search
        super(RealestateSpider, self).__init__()

然后：

crawler = scrapy.crawler.CrawlerProcess(scrapy.conf.settings)
class MySpider(RealestateSpider):
    command = 'foo'
    search = 'bar'
crawler.crawl(MySpider)
crawler.start()