Question

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。

Answer 1

接受了挑战！

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

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,

每个start_url已经删除了多少项

1 个答案: