我正在使用Scrapy抓取一个网站,并希望将结果分成两部分。通常我会像这样打电话给Scrapy:
$ scrapy crawl articles -o articles.json
$ scrapy crawl authors -o authors.json
两只蜘蛛是完全独立的,完全没有交流。此设置适用于较小的网站,但较大的网站有太多的作者让我像这样抓取。
我如何让articles
蜘蛛告诉authors
蜘蛛抓取哪些页面并维护这个双文件结构?理想情况下,我宁愿不将作者网址写入文件,然后将其与其他蜘蛛一起阅读。
答案 0 :(得分:1)
我最终使用了作者刮刀的命令行参数:
class AuthorSpider(BaseSpider):
...
def __init__(self, articles):
self.start_urls = []
for line in articles:
article = json.loads(line)
self.start_urls.append(data['author_url'])
然后,我添加了Scrapy documentation中列出的重复项管道:
from scrapy import signals
from scrapy.exceptions import DropItem
class DuplicatesPipeline(object):
def __init__(self):
self.ids_seen = set()
def process_item(self, item, spider):
if item['id'] in self.ids_seen:
raise DropItem("Duplicate item found: %s" % item)
else:
self.ids_seen.add(item['id'])
return item
最后,我将文章JSON行文件传递给命令:
$ scrapy crawl authors -o authors.json -a articles=articles.json
这不是一个很好的解决方案,但它确实有效。
答案 1 :(得分:0)