Question

我在一个Scrapy项目中有两只蜘蛛。 Spider1抓取页面列表或整个网站并分析内容。 Spider2使用Splash在谷歌上获取URL并将该列表传递给Spider1。

因此，Spider1可以抓取并分析内容，并且可以在不被Spider2调用的情况下使用

# coding: utf8
from scrapy.spiders import CrawlSpider
import scrapy


class Spider1(scrapy.Spider):
    name = "spider1"
    tokens = []
    query = ''

    def __init__(self, *args, **kwargs):
        '''
        This spider works with two modes,
        if only one URL it crawls the entire website,
        if a list of URLs only analyze the page
        '''
        super(Spider1, self).__init__(*args, **kwargs)
        start_url = kwargs.get('start_url') or ''
        start_urls = kwargs.get('start_urls') or []
        query = kwargs.get('q') or ''
        if google_query != '':
            self.query = query
        if start_url != '':
            self.start_urls = [start_url]
        if len(start_urls) > 0:
            self.start_urls = start_urls


    def parse(self, response):
        '''
        Analyze and store data
        '''
        if len(self.start_urls) == 1:
            for next_page in response.css('a::attr("href")'):
                yield response.follow(next_page, self.parse)

    def closed(self, reason):
        '''
        Finalize crawl
        '''

Spider2的代码

# coding: utf8
import scrapy
from scrapy_splash import SplashRequest
from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings


class Spider2(scrapy.Spider):
    name = "spider2"
    urls = []
    page = 0

    def __init__(self, *args, **kwargs):
        super(Spider2, self).__init__(*args, **kwargs)
        self.query = kwargs.get('q')
        self.url = kwargs.get('url')
        self.start_urls = ['https://www.google.com/search?q=' + self.query]

    def start_requests(self):
        splash_args = {
            'wait:': 2,
        }
        for url in self.start_urls:
            splash_args = {
                'wait:': 1,
            }
            yield SplashRequest(url, self.parse, args=splash_args)

    def parse(self, response):
        '''
        Extract URLs to self.urls
        '''
        self.page += 1

    def closed(self, reason):
        process = CrawlerProcess(get_project_settings())
        for url in self.urls:
            print(url)
        if len(self.urls) > 0:
            process.crawl('lexi', start_urls=self.urls, q=self.query)
            process.start(False)

运行Spider2时出现此错误：twisted.internet.error.ReactorAlreadyRunning并且在没有URL列表的情况下调用Spider1。我按照Scrapy文档的建议尝试使用CrawlRunner，但它也是同样的问题。我尝试在解析方法中使用CrawlProcess，它＆＃34;工作＆＃34;但是，我仍然有错误信息。在解析方法中使用CrawlRunner时，它不起作用。

Answer 1

目前，如果您正在使用scrapy crawl命令（参见https://github.com/scrapy/scrapy/issues/1226），则无法从其他蜘蛛启动蜘蛛。如果您自己编写启动脚本，则可以从蜘蛛启动蜘蛛 - 诀窍是使用相同的CrawlerProcess / CrawlerRunner实例。

我不这样做，但你再次与框架作斗争。支持这个用例很不错，但现在并不支持它。

更简单的方法是重写代码以使用单个Spider类，或创建脚本（bash，Makefile，luigi / airflow，如果你想要花哨），运行scrapy crawl spider1 -o items.jl后跟{{ 1}};第二个蜘蛛可以读取第一个蜘蛛创建的项目并相应地生成scrapy crawl spider2。

FTR：结合SplashRequests和常规scrapy.Requests完全支持（它应该可以正常工作），你不必为它们创建单独的蜘蛛。

如何从另一个开始Scrapy蜘蛛

1 个答案: