2つの部分からなるWebサイトをクロールしたいのですが、スクリプトが必要な速度ではありません。
最初の部分を削るために1つ、2番目の部分のために2つ目の、2つのスパイダーを起動することは可能ですか?
2つの異なるクラスを作成して実行しようとしました
scrapy crawl firstSpider
scrapy crawl secondSpider
でも賢くないと思います。
scrapydのドキュメント を読みましたが、それが私の場合に適しているかどうかはわかりません。
私はあなたが探しているものはこのようなものだと思います:
import scrapy
from scrapy.crawler import CrawlerProcess
class MySpider1(scrapy.Spider):
# Your first spider definition
...
class MySpider2(scrapy.Spider):
# Your second spider definition
...
process = CrawlerProcess()
process.crawl(MySpider1)
process.crawl(MySpider2)
process.start() # the script will block here until all crawling jobs are finished
詳細については、 running-multiple-spiders-in-the-same-process を参照してください。
または、このように実行することもできます。このコードを、scrapy.cfgと同じディレクトリに保存する必要があります(私のscrapyバージョンは1.3.3です):
from scrapy.utils.project import get_project_settings
from scrapy.crawler import CrawlerProcess
setting = get_project_settings()
process = CrawlerProcess(setting)
for spider_name in process.spiders.list():
print ("Running spider %s" % (spider_name))
process.crawl(spider_name,query="dvh") #query dvh is custom argument used in your scrapy
process.start()
より良い解決策は、(複数のスパイダーがある場合)動的にスパイダーを取得して実行することです。
_from scrapy import spiderloader
from scrapy.utils import project
from twisted.internet.defer import inlineCallbacks
@inlineCallbacks
def crawl():
settings = project.get_project_settings()
spider_loader = spiderloader.SpiderLoader.from_settings(settings)
spiders = spider_loader.list()
classes = [spider_loader.load(name) for name in spiders]
for my_spider in classes:
yield runner.crawl(my_spider)
reactor.stop()
crawl()
reactor.run()
_
(2番目のソリューション):spiders.list()
はScrapy1.4で非推奨になっているため、Yudaソリューションは次のようなものに変換する必要があります。
_from scrapy.utils.project import get_project_settings
from scrapy.crawler import CrawlerProcess
setting = get_project_settings()
spider_loader = spiderloader.SpiderLoader.from_settings(settings)
for spider_name in spider_loader.list():
print ("Running spider %s" % (spider_name))
process.crawl(spider_name)
process.start()
_