Scrapy中如何向Spider傳入?yún)?shù)的方法實現(xiàn)
在使用Scrapy爬取數(shù)據(jù)時,有時會碰到需要根據(jù)傳遞給Spider的參數(shù)來決定爬取哪些Url或者爬取哪些頁的情況。
例如,百度貼吧的放置奇兵吧的地址如下,其中 kw參數(shù)用來指定貼吧名稱、pn參數(shù)用來對帖子進行翻頁。
https://tieba.baidu.com/f?kw=放置奇兵&ie=utf-8&pn=250
如果我們希望通過參數(shù)傳遞的方式將貼吧名稱和頁數(shù)等參數(shù)傳給Spider,來控制我們要爬取哪一個貼吧、爬取哪些頁。遇到這種情況,有以下兩種方法向Spider傳遞參數(shù)。
方式一
通過 scrapy crawl 命令的 -a 參數(shù)向 spider 傳遞參數(shù)。
# -*- coding: utf-8 -*-
import scrapy
class TiebaSpider(scrapy.Spider):
name = 'tieba' # 貼吧爬蟲
allowed_domains = ['tieba.baidu.com'] # 允許爬取的范圍
start_urls = [] # 爬蟲起始地址
# 命令格式: scrapy crawl tieba -a tiebaName=放置奇兵 -a pn=250
def __init__(self, tiebaName=None, pn=None, *args, **kwargs):
print('< 貼吧名稱 >: ' + tiebaName)
super(eval(self.__class__.__name__), self).__init__(*args, **kwargs)
self.start_urls = ['https://tieba.baidu.com/f?kw=%s&ie=utf-8&pn=%s' % (tiebaName,pn)]
def parse(self, response):
print(response.request.url) # 結果:https://tieba.baidu.com/f?kw=%E6%94%BE%E7%BD%AE%E5%A5%87%E5%85%B5&ie=utf-8&pn=250
方式二
仿照 scrapy 的 crawl 命令的源代碼,重新自定義一個專用命令。

settings.py
首先,需要在settings.py文件中增加如下配置來指定自定義 scrapy 命令的存放目錄。
# 指定 Scrapy 命令存放目錄 COMMANDS_MODULE = 'baidu_tieba.commands'
run.py
在指定的命令存放目錄中創(chuàng)建命令文件,在這里我們創(chuàng)建的命令文件為 run.py ,將來執(zhí)行的命令格式為:
scrapy run [ -option option_value] 。
import scrapy.commands.crawl as crawl
from scrapy.exceptions import UsageError
from scrapy.commands import ScrapyCommand
class Command(crawl.Command):
def add_options(self, parser):
# 為命令添加選項
ScrapyCommand.add_options(self, parser)
parser.add_option("-k", "--keyword", type="str", dest="keyword", default="",
help="set the tieba's name you want to crawl")
parser.add_option("-p", "--pageNum", type="int", action="store", dest="pageNum", default=0,
help="set the page number you want to crawl")
def process_options(self, args, opts):
# 處理從命令行中傳入的選項參數(shù)
ScrapyCommand.process_options(self, args, opts)
if opts.keyword:
tiebaName = opts.keyword.strip()
if tiebaName != '':
self.settings.set('TIEBA_NAME', tiebaName, priority='cmdline')
else:
raise UsageError("U must specify the tieba's name to crawl,use -kw TIEBA_NAME!")
self.settings.set('PAGE_NUM', opts.pageNum, priority='cmdline')
def run(self, args, opts):
# 啟動爬蟲
self.crawler_process.crawl('tieba')
self.crawler_process.start()
pipelines.py
在BaiduTiebaPipeline的open_spider()方法中利用 run 命令傳入的參數(shù)對TiebaSpider進行初始化,在這里示例設置了一下start_urls。
# -*- coding: utf-8 -*-
import json
class BaiduTiebaPipeline(object):
@classmethod
def from_settings(cls, settings):
return cls(settings)
def __init__(self, settings):
self.settings = settings
def open_spider(self, spider):
# 開啟爬蟲
spider.start_urls = [
'https://tieba.baidu.com/f?kw=%s&ie=utf-8&pn=%s' % (self.settings['TIEBA_NAME'], self.settings['PAGE_NUM'])]
def close_spider(self, spider):
# 關閉爬蟲
pass
def process_item(self, item, spider):
# 將帖子內(nèi)容保存到文件
with open('tieba.txt', 'a', encoding='utf-8') as f:
json.dump(dict(item), f, ensure_ascii=False, indent=2)
return item
設置完成后,別忘了在settings.py中啟用BaiduTiebaPipeline。
ITEM_PIPELINES = {
'baidu_tieba.pipelines.BaiduTiebaPipeline': 50,
}
啟動示例
大功告成,參照如下命令格式啟動貼吧爬蟲。
scrapy run -k 放置奇兵 -p 250
![]()
參考文章:
https://blog.csdn.net/c0411034/article/details/81750028
https://blog.csdn.net/qq_24760381/article/details/80361400
https://blog.csdn.net/qq_38282706/article/details/80991196
到此這篇關于Scrapy中如何向Spider傳入?yún)?shù)的方法實現(xiàn)的文章就介紹到這了,更多相關Scrapy Spider傳入?yún)?shù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!
相關文章
應用OpenCV和Python進行SIFT算法的實現(xiàn)詳解
這篇文章主要介紹了應用OpenCV和Python進行SIFT算法的實現(xiàn)詳解,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2019-08-08
Python 使用SFTP和FTP實現(xiàn)對服務器的文件下載功能
這篇文章主要介紹了Python 使用SFTP和FTP實現(xiàn)對服務器的文件下載功能,本文通過實例代碼給大家介紹的非常想詳細,對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下2020-12-12
Python多進程入門、分布式進程數(shù)據(jù)共享實例詳解
這篇文章主要介紹了Python多進程入門、分布式進程數(shù)據(jù)共享,結合實例形式詳細分析了Python進程操作技巧數(shù)據(jù)共享相關實現(xiàn)技巧與注意事項,需要的朋友可以參考下2019-06-06
用Python監(jiān)控你的朋友都在瀏覽哪些網(wǎng)站?
今天教各位小伙伴一個黑科技,用Python監(jiān)控你的朋友都在瀏覽哪些網(wǎng)站,文中有非常詳細的介紹,對正在學習python的小伙伴們很有幫助,需要的朋友可以參考下2021-05-05

