如何从另一个抓取蜘蛛开始

Question

我在一个Scrapy项目中有两个蜘蛛。Spider1爬行页面列表或整个网站并分析内容。Spider2使用Splash在谷歌上获取URL，并将该列表传递给Spider1。

因此，无需Spider2调用即可使用Spider1对内容进行爬行和分析

# coding: utf8
from scrapy.spiders import CrawlSpider
import scrapy


class Spider1(scrapy.Spider):
    name = "spider1"
    tokens = []
    query = ''

    def __init__(self, *args, **kwargs):
        '''
        This spider works with two modes,
        if only one URL it crawls the entire website,
        if a list of URLs only analyze the page
        '''
        super(Spider1, self).__init__(*args, **kwargs)
        start_url = kwargs.get('start_url') or ''
        start_urls = kwargs.get('start_urls') or []
        query = kwargs.get('q') or ''
        if google_query != '':
            self.query = query
        if start_url != '':
            self.start_urls = [start_url]
        if len(start_urls) > 0:
            self.start_urls = start_urls


    def parse(self, response):
        '''
        Analyze and store data
        '''
        if len(self.start_urls) == 1:
            for next_page in response.css('a::attr("href")'):
                yield response.follow(next_page, self.parse)

    def closed(self, reason):
        '''
        Finalize crawl
        '''

Spider2的代码

# coding: utf8
import scrapy
from scrapy_splash import SplashRequest
from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings


class Spider2(scrapy.Spider):
    name = "spider2"
    urls = []
    page = 0

    def __init__(self, *args, **kwargs):
        super(Spider2, self).__init__(*args, **kwargs)
        self.query = kwargs.get('q')
        self.url = kwargs.get('url')
        self.start_urls = ['https://www.google.com/search?q=' + self.query]

    def start_requests(self):
        splash_args = {
            'wait:': 2,
        }
        for url in self.start_urls:
            splash_args = {
                'wait:': 1,
            }
            yield SplashRequest(url, self.parse, args=splash_args)

    def parse(self, response):
        '''
        Extract URLs to self.urls
        '''
        self.page += 1

    def closed(self, reason):
        process = CrawlerProcess(get_project_settings())
        for url in self.urls:
            print(url)
        if len(self.urls) > 0:
            process.crawl('lexi', start_urls=self.urls, q=self.query)
            process.start(False)

在运行Spider2时，我遇到了这样的错误:在没有URL列表的情况下调用twisted.internet.error.ReactorAlreadyRunning和Spider1。我试着按照Scrapy文档中的建议使用CrawlRunner，但问题是一样的。我尝试使用CrawlProcess的内部解析方法，它“工作”，但我仍然有错误信息。当在解析方法中使用CrawlRunner时，它不起作用。

Answer 1

目前，如果您使用scrapy crawl命令(请参阅https://github.com/scrapy/scrapy/issues/1226)，则不能从另一个爬行器启动爬行器。如果您自己编写启动脚本，则可以从爬行器启动爬行器-诀窍是使用相同的CrawlerProcess/CrawlerRunner实例。

但我不会这么做，你是在与框架作斗争。支持这个用例是很好的，但是现在还没有真正支持它。

一种更简单的方法是要么重写代码以使用单个爬行器类，要么创建一个脚本(bash、Makefile、luigi/airflow，如果您想要的话)，它先运行scrapy crawl spider1 -o items.jl，然后运行scrapy crawl spider2；第二个爬行器可以读取第一个爬行器创建的项并相应地生成start_requests。

在一个单独的爬虫中组合SplashRequests和常规scrapy.Requests是完全受支持的(它应该可以工作)，你不需要为它们创建单独的爬虫。