Scrapy中如何向Spider传入参数


目录

方式一

方式二

settings.py

run.py

pipelines.py

启动示例

在使用Scrapy爬取数据时,有时会碰到需要根据传递给Spider的参数来决定爬取哪些Url或者爬取哪些页的情况。

例如,百度贴吧的放置奇兵吧的地址如下,其中 kw参数用来指定贴吧名称、pn参数用来对帖子进行翻页。

https://tieba.baidu.com/f?kw=放置奇兵&ie=utf-8&pn=250

如果我们希望通过参数传递的方式将贴吧名称和页数等参数传给Spider,来控制我们要爬取哪一个贴吧、爬取哪些页。遇到这种情况,有以下两种方法向Spider传递参数。

方式一
通过 scrapy crawl 命令的 -a 参数向 spider 传递参数。

# -*- coding: utf-8 -*-
import scrapy
 
class TiebaSpider(scrapy.Spider):
    name = 'tieba'  # 贴吧爬虫
    allowed_domains = ['tieba.baidu.com']  # 允许爬取的范围
    start_urls = []  # 爬虫起始地址
 
    # 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('< 贴吧名称 >: ' + 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) # 结果: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 命令的源代码,重新自定义一个专用命令。

settings.py
首先,需要在settings.py文件中增加如下配置来指定自定义 scrapy 命令的存放目录。

# 指定 Scrapy 命令存放目录
COMMANDS_MODULE = 'baidu_tieba.commands'
run.py
在指定的命令存放目录中创建命令文件,在这里我们创建的命令文件为 run.py ,将来执行的命令格式为:
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):
        # 为命令添加选项
        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):
        # 处理从命令行中传入的选项参数
        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):
        # 启动爬虫
        self.crawler_process.crawl('tieba')
        self.crawler_process.start()
pipelines.py
在BaiduTiebaPipeline的open_spider()方法中利用 run 命令传入的参数对TiebaSpider进行初始化,在这里示例设置了一下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):
        # 开启爬虫
        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):
        # 关闭爬虫
        pass
 
    def process_item(self, item, spider):
        # 将帖子内容保存到文件
        with open('tieba.txt', 'a', encoding='utf-8') as f:
            json.dump(dict(item), f, ensure_ascii=False, indent=2)
        return item
设置完成后,别忘了在settings.py中启用BaiduTiebaPipeline。 

ITEM_PIPELINES = {
    'baidu_tieba.pipelines.BaiduTiebaPipeline': 50,
}
启动示例
大功告成,参照如下命令格式启动贴吧爬虫。 

scrapy run -k  放置奇兵 -p 250


参考文章:
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 
 

Scrapy中如何向Spider传入参数Scrapy中如何向Spider传入参数 u011250186 发布了17 篇原创文章 · 获赞 2 · 访问量 5万+ 私信 关注
上一篇:小白学 Python 爬虫(37):爬虫框架 Scrapy 入门基础(五) Spider Middleware


下一篇:python spider note