Официалните документи дават много начини за бягане scrapy
роботите от кода:
import scrapy
from scrapy.crawler import CrawlerProcess
class MySpider(scrapy.Spider):
# Your spider definition
...
process = CrawlerProcess({
"USER_AGENT": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)"
})
process.crawl(MySpider)
process.start() # the script will block here until the crawling is finished
Но всички те блокират скрипта, докато не приключи. Какъв е най-лесният начин в Python да стартирате робота в неблокиращ, асинхронен начин?
Отговори:
4 за отговор № 1Опитах всяко решение, което можех да намеря, и единствената работа за мен беше това, Но за да работи с нея scrapy 1.1rc1
Трябваше да го оправям малко:
from scrapy.crawler import Crawler
from scrapy import signals
from scrapy.utils.project import get_project_settings
from twisted.internet import reactor
from billiard import Process
class CrawlerScript(Process):
def __init__(self, spider):
Process.__init__(self)
settings = get_project_settings()
self.crawler = Crawler(spider.__class__, settings)
self.crawler.signals.connect(reactor.stop, signal=signals.spider_closed)
self.spider = spider
def run(self):
self.crawler.crawl(self.spider)
reactor.run()
def crawl_async():
spider = MySpider()
crawler = CrawlerScript(spider)
crawler.start()
crawler.join()
Така че сега, когато се обадя crawl_async
, тя започва да пълзи и не блокира текущата ми нишка scrapy
, така че може би това не е много добро решение, но работи за мен.
Използвах тези версии на библиотеките:
cffi==1.5.0
Scrapy==1.1rc1
Twisted==15.5.0
billiard==3.3.0.22
0 за отговор № 2
Отговорът на Нетимен е правилен. process.start()
повиквания reactor.run()
, която блокира нишката. Просто не мисля, че е необходимо да се подклас billiard.Process
, Макар и слабо документирани, billiard.Process
има набор от API, за да извика друга функция асинхронно без подклас.
from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings
from billiard import Process
crawler = CrawlerProcess(get_project_settings())
process = Process(target=crawler.start, stop_after_crawl=False)
def crawl(*args, **kwargs):
crawler.crawl(*args, **kwargs)
process.start()
Имайте предвид, че ако нямате stop_after_crawl=False
, може да срещнете ReactorNotRestartable
изключение, когато пускате робота за повече от два пъти.