我使用scrapy爬行1000个网址并将刮下的物品存放在一个mongodb中。我想知道每个网址找到了多少项。从scrapy统计数据中我可以看到'item_scraped_count': 3500
但是,我需要分别为每个start_url计数。每个项目还有referer
字段,我可以用它来手动计算每个网址项目:
2016-05-24 15:15:10 [scrapy] DEBUG: Crawled (200) <GET https://www.youtube.com/watch?v=6w-_ucPV674> (referer: https://www.youtube.com/results?q=billys&sp=EgQIAhAB)
但我想知道是否有来自scrapy的内置支持。
答案 0 :(得分:5)
scrapy
上没有直接支持此内容的内容,但您可以使用Spider Middleware
将其与蜘蛛代码分开:
<强> middlewares.py 强>
from scrapy.http.request import Request
class StartRequestsCountMiddleware(object):
start_urls = {}
def process_start_requests(self, start_requests, spider):
for i, request in enumerate(start_requests):
self.start_urls[i] = request.url
request.meta.update(start_request_index=i)
yield request
def process_spider_output(self, response, result, spider):
for output in result:
if isinstance(output, Request):
output.meta.update(
start_request_index=response.meta['start_request_index'],
)
else:
spider.crawler.stats.inc_value(
'start_requests/item_scraped_count/{}'.format(
self.start_urls[response.meta['start_request_index']],
),
)
yield output
请记得在settings.py
上激活它:
SPIDER_MIDDLEWARES = {
...
'myproject.middlewares.StartRequestsCountMiddleware': 200,
}
现在你应该可以在蜘蛛统计数据上看到类似的内容:
'start_requests/item_scraped_count/START_URL1': ITEMCOUNT1,
'start_requests/item_scraped_count/START_URL2': ITEMCOUNT2,