使用scrapy访问Django模型：定义Django项目的路径

Question

我是Python和Django的新手。我目前正在探索使用Scrapy来抓取网站并将数据保存到Django数据库中。我的目标是根据用户提供的域运行蜘蛛。

我写了一个蜘蛛，它提取我需要的数据并在调用

时将其正确存储在json文件中

scrapy crawl spider -o items.json -t json

如scrapy tutorial中所述。

我的目标是让蜘蛛成功地将数据保存到Django数据库，然后根据用户输入让蜘蛛运行。

我知道这个主题上存在各种帖子，例如： link 1 link 2 link 3

但是我花了超过8个小时试图让它发挥作用，我假设我不是唯一仍然面临这个问题的人。我将尝试收集到目前为止我在这篇文章中获得的所有知识，以及希望稍后发布一个有效的解决方案。因此，这篇文章相当长。

在我看来，有两种不同的解决方案可以将数据从Scrapy保存到Django数据库。一种是使用DjangoItem，另一种是直接导入模型（完成here）。

我并不完全了解这两者的优点和缺点，但似乎区别在于使用DjangoItem只是更方便和更短。

我做了什么：

我添加了：

def setup_django_env(path):
    import imp, os
    from django.core.management import setup_environ

    f, filename, desc = imp.find_module('settings', [path])
    project = imp.load_module('settings', f, filename, desc)       

    setup_environ(project)

setup_django_env('/Users/Anders/DjangoTraining/wsgi/')

我得到的错误是：

ImportError: No module named settings

我在想我是以错误的方式定义了我的Django项目的路径？

我也尝试了以下内容：

setup_django_env('../../') 

如何正确定义Django项目的路径？ （如果那是问题）

Answer 1

我认为主要的误解是包路径与设置模块路径。要从外部脚本使用django的模型，您需要设置DJANGO_SETTINGS_MODULE。然后，此模块必须可导入（即，如果设置路径为myproject.settings，则语句from myproject import settings应在python shell中工作。）

由于django中的大多数项目是在默认PYTHONPATH之外的路径中创建的，因此必须将项目的路径添加到PYTHONPATH环境变量。

以下是创建一个完全工作（和最小）Django模型集成到Scrapy项目的分步指南：

注意：此说明适用于上次编辑的日期。如果它不适合您，请添加评论并描述您的问题和scrapy / django版本。

1. 项目将在/home/rolando/projects目录中创建。

2. 启动 django项目。

   $ cd ~/projects
   $ django-admin startproject myweb
   $ cd myweb
   $ ./manage.py startapp myapp
   

3. 在myapp/models.py中创建模型。

   from django.db import models
   
   
   class Person(models.Model):
       name = models.CharField(max_length=32)
   

4. 将myapp添加到INSTALLED_APPS中的myweb/settings.py。

   # at the end of settings.py
   INSTALLED_APPS += ('myapp',)
   

5. 在myweb/settings.py中设置我的数据库设置。

   # at the end of settings.py
   DATABASES['default']['ENGINE'] = 'django.db.backends.sqlite3'
   DATABASES['default']['NAME'] = '/tmp/myweb.db'
   

6. 创建数据库。

   $ ./manage.py syncdb --noinput
   Creating tables ...
   Installing custom SQL ...
   Installing indexes ...
   Installed 0 object(s) from 0 fixture(s)
   

7. 创建 scrapy项目。

   $ cd ~/projects
   $ scrapy startproject mybot
   $ cd mybot
   

8. 在mybot/items.py。

中创建一个项目

注意：在较新版本的Scrapy中，您需要安装scrapy_djangoitem并使用from scrapy_djangoitem import DjangoItem。

    from scrapy.contrib.djangoitem import DjangoItem
    from scrapy.item import Field

    from myapp.models import Person


    class PersonItem(DjangoItem):
        # fields for this item are automatically created from the django model
        django_model = Person

最终目录结构如下：

/home/rolando/projects
├── mybot
│   ├── mybot
│   │   ├── __init__.py
│   │   ├── items.py
│   │   ├── pipelines.py
│   │   ├── settings.py
│   │   └── spiders
│   │       └── __init__.py
│   └── scrapy.cfg
└── myweb
    ├── manage.py
    ├── myapp
    │   ├── __init__.py
    │   ├── models.py
    │   ├── tests.py
    │   └── views.py
    └── myweb
        ├── __init__.py
        ├── settings.py
        ├── urls.py
        └── wsgi.py

从这里开始，基本上我们完成了在scrapy项目中使用django模型所需的代码。我们可以使用scrapy shell命令立即测试它，但要注意所需的环境变量：

$ cd ~/projects/mybot
$ PYTHONPATH=~/projects/myweb DJANGO_SETTINGS_MODULE=myweb.settings scrapy shell

# ... scrapy banner, debug messages, python banner, etc.

In [1]: from mybot.items import PersonItem

In [2]: i = PersonItem(name='rolando')

In [3]: i.save()
Out[3]: <Person: Person object>

In [4]: PersonItem.django_model.objects.get(name='rolando')
Out[4]: <Person: Person object>

所以，它按预期工作。

最后，您可能不希望每次运行bot时都必须设置环境变量。有很多替代方法可以解决这个问题，尽管最好的是项目的包实际安装在PYTHONPATH中设置的路径中。

这是最简单的解决方案之一：将这些行添加到mybot/settings.py文件中以设置环境变量。

# Setting up django's project full path.
import sys
sys.path.insert(0, '/home/rolando/projects/myweb')

# Setting up django's settings module name.
# This module is located at /home/rolando/projects/myweb/myweb/settings.py.
import os
os.environ['DJANGO_SETTINGS_MODULE'] = 'myweb.settings'

# Since Django 1.7, setup() call is required to populate the apps registry.
import django; django.setup()

注意：更好的路径攻击方法是在两个项目中都有基于setuptools的{​​{1}}文件并运行setup.py，这将链接您的项目进入python路径的路径（我假设您使用python setup.py develop）。

这就够了。为了完整起见，这是一个基本的蜘蛛和管道，用于完全工作的项目：

1. 制作蜘蛛。

   virtualenv

   蜘蛛代码：

   $ cd ~/projects/mybot
   $ scrapy genspider -t basic example example.com
   

2. 在# file: mybot/spiders/example.py from scrapy.spider import BaseSpider from mybot.items import PersonItem class ExampleSpider(BaseSpider): name = "example" allowed_domains = ["example.com"] start_urls = ['http://www.example.com/'] def parse(self, response): # do stuff return PersonItem(name='rolando') 中创建一个管道以保存该项目。

   mybot/pipelines.py

   如果您使用的是class MybotPipeline(object): def process_item(self, item, spider): item.save() return item 类，或者直接导入django模型并手动创建对象，可以使用item.save()。在两种方式中，主要问题是定义环境变量，以便您可以使用django模型。

3. 将管道设置添加到DjangoItem文件中。

   mybot/settings.py

4. 运行蜘蛛。

   ITEM_PIPELINES = {
       'mybot.pipelines.MybotPipeline': 1000,
   }
   

Answer 2

尽管Rho的回答看起来非常好，但我想我会分享我如何使用Django模型（也就是Django ORM）而没有一个完整的Django项目，因为这个问题只说明了使用一个“Django数据库”。我也不使用DjangoItem。

以下适用于Scrapy 0.18.2和Django 1.5.2。我的scrapy项目在下面称为报废。

1. 将以下内容添加到您的scrapy settings.py文件

   中

   from django.conf import settings as d_settings
   d_settings.configure(
       DATABASES={
           'default': {
               'ENGINE': 'django.db.backends.postgresql_psycopg2',
               'NAME': 'db_name',
               'USER': 'db_user',
               'PASSWORD': 'my_password',
               'HOST': 'localhost',  
               'PORT': '',
           }},
       INSTALLED_APPS=(
           'scrapping',
       )
   )
   

2. 在与manage.py相同的文件夹中创建scrapy.cfg个文件： 运行蜘蛛本身时不需要此文件，但对于设置数据库非常方便。所以我们走了：

   #!/usr/bin/env python
   import os
   import sys
   
   if __name__ == "__main__":
       os.environ.setdefault("DJANGO_SETTINGS_MODULE", "scrapping.settings")
   
       from django.core.management import execute_from_command_line
   
       execute_from_command_line(sys.argv)
   

   这是manage.py的全部内容，几乎就是您在运行manage.py后获得的库存django-admin startproject myweb文件，但第4行指向您的scrapy设置文件。 不可否认，使用DJANGO_SETTINGS_MODULE和settings.configure似乎有点奇怪，但它适用于我需要的manage.py个命令：$ python ./manage.py syncdb。

3. 您的models.py 你的models.py应该放在你的scrapy项目文件夹中（即。scrapping.models´). After creating that file you should be able to run you $ python ./manage.py syncdb`。它可能看起来像这样：

   from django.db import models
   
   class MyModel(models.Model):
       title = models.CharField(max_length=255)
       description = models.TextField()
       url = models.URLField(max_length=255, unique=True)
   

4. 您的items.py和pipeline.py： 我曾经在Rho的答案中描述过使用DjangoItem，但是当我与scrapyd并行使用Postgresql运行许多爬网时，我遇到了麻烦。异常max_locks_per_transaction在某个时刻被抛出，打破了所有正在运行的爬网。此外，我没有弄清楚如何在管道中正确回滚失败的item.save()。长话短说，我最终没有使用DjangoItem解决了我所有的问题。方法如下： items.py：

   from scrapy.item import Item, Field
   
   class MyItem(Item):
       title = Field()
       description = Field()
       url = Field()
   

   请注意，如果要像下一步那样方便地解压缩，则字段需要与模型中的名称相同！ pipelines.py：

   from django.db import transaction
   from models import MyModel
   class Django_pipeline(object):
       def process_item(self, item, spider):
           with transaction.commit_on_success():
               scraps = MyModel(**item)
               scraps.save()
           return item
   

   如上所述，如果您像在models.py文件中那样命名了所有项目字段，则可以在创建MyModel对象时使用**item解压缩所有字段。

就是这样！