我正在同时启动几个蜘蛛CrawlerProcess,就像那样。
def main():
# ----- This part launch all given spiders ----- #
process = CrawlerProcess(get_project_settings())
process.crawl(FirstSpider)
process.crawl(SecondSpider)
process.crawl(ThirdSpider)
process.crawl(EtcSpider)
process.start() # the script will block here until the crawling is finished
所有蜘蛛都基于 CSV 输入文件工作,该文件包含要在网站上查找的信息。这是一个示例:
class FirstSpider(scrapy.Spider):
name = "first_bot"
def start_requests(self):
base_url = "https://example.fr/catalogsearch/result/?q="
script_dir = osp.dirname(osp.realpath(__file__))
file_path = osp.join(script_dir, 'files', 'to_collect_firstbot.csv')
input_file = open(file_path, 'r', encoding="utf-8", errors="ignore")
reader = csv.reader(input_file)
for row in reader:
if row:
url = row[0]
absolute_url = base_url + url
print(absolute_url)
yield scrapy.Request(
absolute_url,
meta={
"handle_httpstatus_list": [302, 301, 502],
},
callback=self.parse
)
它有效,但我可能必须修改输入文件名,该文件名为每个蜘蛛记录。
是否可以在所有蜘蛛脚本上保留一个默认的“自定义”文件,然后保存到 core.py 文件(启动所有蜘蛛),如果需要修改 CSV 输入文件(在这种情况下,所有蜘蛛的文件和名称都相同) )?
相关分类