创建通用的scrapy spid

Question

我的问题是如何做和前面的问题一样的事情，但是在0.14。

Using one Scrapy spider for several websites

基本上，我有一个GUI，它接受域、关键字、标记名等参数，我想创建一个通用的蜘蛛来抓取这些标记中关键字的域。我读过一些冲突的东西，使用旧版本的scrapy，或者重写spider管理器类，或者动态创建一个spider。首选哪种方法，如何实现和调用正确的解决方案？提前谢谢。

这是我想通用的代码。它还使用美容品组。我把它配对了，所以希望没有删除任何重要的理解它。

class MySpider(CrawlSpider):

name = 'MySpider'
allowed_domains = ['somedomain.com', 'sub.somedomain.com']
start_urls = ['http://www.somedomain.com']

rules = (
    Rule(SgmlLinkExtractor(allow=('/pages/', ), deny=('', ))),

    Rule(SgmlLinkExtractor(allow=('/2012/03/')), callback='parse_item'),
)

def parse_item(self, response):
    contentTags = []

    soup = BeautifulSoup(response.body)

    contentTags = soup.findAll('p', itemprop="myProp")

    for contentTag in contentTags:
        matchedResult = re.search('Keyword1|Keyword2', contentTag.text)
        if matchedResult:
            print('URL Found: ' + response.url)

    pass

Answer 1

我使用Scrapy Extensions方法将Spider类扩展到一个名为Masterspider的类，该类包含一个通用解析器。

下面是我的通用扩展解析器的“short”版本。注意，一旦开始使用AJAX处理页面，就需要使用Javascript引擎（例如Selenium或BeautifulSoup）a实现呈现程序。还有很多额外的代码来管理站点之间的差异（基于列标题的废弃、处理相对URL与长URL、管理不同类型的数据容器等）。

与Scrapy扩展方法相关的是，如果有不合适的地方，您仍然可以重写泛型解析器方法，但我从来没有这样做过。Masterspider类检查是否在特定于站点的spider类下创建了某些方法（例如parser_start、next_url_parser…），以允许管理特定内容：发送表单、从页面中的元素构造下一个_url请求等

由于我正在抓取非常不同的网站，总是有具体的管理。这就是为什么我更喜欢为每个被刮掉的站点保留一个类，这样我就可以编写一些特定的方法来处理它（除了管道、请求生成器等之外的前/后处理）。

masterspider/sitespider/settings.py

EXTENSIONS = {
    'masterspider.masterspider.MasterSpider': 500
}

masterspider/masterspdier/masterspider.py

# -*- coding: utf8 -*-
from scrapy.spider import Spider
from scrapy.selector import Selector
from scrapy.http import Request
from sitespider.items import genspiderItem

class MasterSpider(Spider):

    def start_requests(self):
        if hasattr(self,'parse_start'): # First page requiring a specific parser
            fcallback = self.parse_start
        else:
            fcallback = self.parse
        return [ Request(self.spd['start_url'],
                     callback=fcallback,
                     meta={'itemfields': {}}) ]

    def parse(self, response):
        sel = Selector(response)
        lines = sel.xpath(self.spd['xlines'])
        # ...
        for line in lines:
            item = genspiderItem(response.meta['itemfields'])               
            # ...
            # Get request_url of detailed page and scrap basic item info
            # ... 
            yield  Request(request_url,
                   callback=self.parse_item,
                   meta={'item':item, 'itemfields':response.meta['itemfields']})

        for next_url in sel.xpath(self.spd['xnext_url']).extract():
            if hasattr(self,'next_url_parser'): # Need to process the next page URL before?
                yield self.next_url_parser(next_url, response)
            else:
                yield Request(
                    request_url,
                    callback=self.parse,
                    meta=response.meta)

    def parse_item(self, response):
        sel = Selector(response)
        item = response.meta['item']
        for itemname, xitemname in self.spd['x_ondetailpage'].iteritems():
            item[itemname] = "\n".join(sel.xpath(xitemname).extract())
        return item

masterspider/sitespider/spiders/somesite_spider.py

# -*- coding: utf8 -*-
from scrapy.spider import Spider
from scrapy.selector import Selector
from scrapy.http import Request
from sitespider.items import genspiderItem
from masterspider.masterspider import MasterSpider

class targetsiteSpider(MasterSpider):
    name = "targetsite"
    allowed_domains = ["www.targetsite.com"]
    spd = {
        'start_url' : "http://www.targetsite.com/startpage", # Start page
        'xlines' : "//td[something...]",
        'xnext_url' : "//a[contains(@href,'something?page=')]/@href", # Next pages
        'x_ondetailpage' : {
            "itemprop123" :      u"id('someid')//text()"
            }
    }

#     def next_url_parser(self, next_url, response): # OPTIONAL next_url regexp pre-processor
#          ...

Answer 2

您可以创建一个由解释器计算的运行时蜘蛛。此代码段可以在运行时进行计算，如下所示：

a = open("test.py")
from compiler import compile
d = compile(a.read(), 'spider.py', 'exec')
eval(d)

MySpider
<class '__main__.MySpider'>
print MySpider.start_urls
['http://www.somedomain.com']

Answer 3

不要将变量name、allowed_domains、start_urls和rules附加到类中，您应该编写一个MySpider.__init__，调用通过必要参数的CrawlSpider.__init__，并为每个对象设置name、allowed_domains等。 MyProp和关键字也应该在__init__中设置。所以最后你应该有下面这样的东西。您不必向参数添加name，因为name是由BaseSpider本身从kwargs设置的：

class MySpider(CrawlSpider):

    def __init__(self, allowed_domains=[], start_urls=[], 
            rules=[], findtag='', finditemprop='', keywords='', **kwargs):
        CrawlSpider.__init__(self, **kwargs)
        self.allowed_domains = allowed_domains
        self.start_urls = start_urls
        self.rules = rules
        self.findtag = findtag
        self.finditemprop = finditemprop
        self.keywords = keywords

    def parse_item(self, response):
        contentTags = []

        soup = BeautifulSoup(response.body)

        contentTags = soup.findAll(self.findtag, itemprop=self.finditemprop)

        for contentTag in contentTags:
            matchedResult = re.search(self.keywords, contentTag.text)
            if matchedResult:
                print('URL Found: ' + response.url)