Scrapy中如何向Spider傳入?yún)?shù)的方法實(shí)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(jìn)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(jié)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(jìn)行初始化，在這里示例設(shè)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(guān)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(shè)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(guān)于Scrapy中如何向Spider傳入?yún)?shù)的方法實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)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(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
如何在python中用os模塊實(shí)現(xiàn)批量移動文件
在工作中難免會遇到需要批量整理文件的情況,當(dāng)需要從一堆文件中將部分文件批量地轉(zhuǎn)移時,如果手工一一轉(zhuǎn)移難免浪費(fèi)時間,這篇文章主要給大家介紹了關(guān)于如何在python中用os模塊實(shí)現(xiàn)批量移動文件的相關(guān)資料,需要的朋友可以參考下2022-05-05
在本文里我們給大家整理了關(guān)于通過API管理或定制開發(fā)ECS的相關(guān)實(shí)例內(nèi)容，有需要的朋友們參考學(xué)習(xí)下。2018-09-09
Python自動補(bǔ)全有vim編輯下和python交互模式下，下面分別介紹如何在這2種情況下實(shí)現(xiàn)Tab鍵自動補(bǔ)全2014-11-11
python selenium爬取斗魚所有直播房間信息過程詳解
這篇文章主要介紹了python selenium爬取斗魚所有直播房間信息過程詳解,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2019-08-08
Python實(shí)現(xiàn)數(shù)據(jù)集劃分(訓(xùn)練集和測試集)
