scrapy学习小组

Scrapy学习笔记(8)-使用signals来监控spider

2018-03-09  本文已影响11人  leeyis

场景介绍

有时候我们需要在spider启动或者结束的时候执行一些特定的操作,比如说记录日志之类的,在scrapy中我们可以使用signals来实现。

主要实现代码如下:

# -*- coding: utf-8 -*-from scrapy import signalsfrom scrapy.xlib.pydispatch import dispatcherfrom scrapy.linkextractors import LinkExtractorfrom scrapy.spiders import CrawlSpider, Rulefrom items import IpProxyPoolItemfrom model.spider_running_log import SpiderCrawlLogfrom model import loadSessionfrom datetime import datetimeclass ProxySpiderSpider(CrawlSpider):    name = 'MagicSpider'    def __init__(self,rule):        #spider启动信号和spider_opened函数绑定        dispatcher.connect(self.spider_opened, signals.spider_opened)        #spider关闭信号和spider_spider_closed函数绑定        dispatcher.connect(self.spider_closed, signals.spider_closed)        self.rule = rule

        self.name = rule.name

        self.allowed_domains = rule.allowed_domains.split(',')        self.start_urls = rule.start_urls.split(',')        rule_list = []        # 添加`下一页`的规则        if len(rule.next_page):            rule_list.append(Rule(LinkExtractor(restrict_xpaths=rule.next_page), follow=True))        rule_list.append(Rule(LinkExtractor(            allow=rule.allow_url.split(','),            unique=True),            follow=True,            callback='parse_item'))        self.rules = tuple(rule_list)        super(ProxySpiderSpider, self).__init__()    #spider关闭时的逻辑    def spider_closed(self, spider):        print "spider is closed!"        session = loadSession()        log = session.query(SpiderCrawlLog).filter(SpiderCrawlLog.spiderID == self.rule.id,                                                  SpiderCrawlLog.endTime == None                                                  ).first()        log.endTime = datetime.now().strftime("%Y-%m-%d %H:%M:%S")        log.status = "closed"        session.commit()    #spider启动时的逻辑    def spider_opened(self, spider):        print "spider is running!"        item = SpiderCrawlLog(                              spiderID=self.rule.id,                              spiderName=self.rule.name,                              status="Running...",                              startTime=datetime.now().strftime("%Y-%m-%d %H:%M:%S"),                              endTime=None,                              pages=0,                              items=0                              )        session = loadSession()        log = session.query(SpiderCrawlLog).filter(            SpiderCrawlLog.spiderID == self.rule.id,            SpiderCrawlLog.endTime == None)        # 查询当前spider是否有未结束的日志        if log.count() == 0 :            session.add(item)            session.commit()        else:            pass    def parse_item(self, response):        # print 'Hi, this is an item page! %s' % response.url        #print response.body        session = loadSession()        log = session.query(SpiderCrawlLog).filter(SpiderCrawlLog.spiderID == self.rule.id,                                                  SpiderCrawlLog.endTime == None).first()        log.pages = int(log.pages) + 1        session.commit()        item=IpProxyPoolItem()        if len(self.rule.loop_xpath):            # print 'Find %d items!'% len(response.xpath(self.rule.loop_xpath))            for proxy in response.xpath(self.rule.loop_xpath):                if len(self.rule.ip_xpath):                    tmp_ip = proxy.xpath(self.rule.ip_xpath).extract_first()                    ip = tmp_ip.strip() if tmp_ip is not None else ""                else:                    ip = ""                if len(self.rule.port_xpath):                    tmp_port = proxy.xpath(self.rule.port_xpath).extract_first()                    port = tmp_port.strip() if tmp_port is not None else ""                else:                    port = ""                if len(self.rule.location1_xpath):                    tmp_location1 = proxy.xpath(self.rule.location1_xpath).extract_first()                    location1 = tmp_location1.strip() if tmp_location1 is not None else ""                else:                    location1 = ""                if len(self.rule.location2_xpath):                    tmp_location2 = proxy.xpath(self.rule.location2_xpath).extract_first()                    location2 = tmp_location2.strip() if tmp_location2 is not None else ""                else:                    location2 = ""                if len(self.rule.lifetime_xpath):                    tmp_lifetime = proxy.xpath(self.rule.lifetime_xpath).extract_first()                    lifetime = tmp_lifetime.strip() if tmp_lifetime is not None else ""                else:                    lifetime = ""                if len(self.rule.lastcheck_xpath):                    tmp_lastcheck = proxy.xpath(self.rule.lastcheck_xpath).extract_first()                    lastcheck = tmp_lastcheck.strip() if tmp_lastcheck is not None else ""                else:                    lastcheck = ""                if len(self.rule.level_xpath):                    tmp_level = proxy.xpath(self.rule.level_xpath).extract_first()                    level = tmp_level.strip() if tmp_level is not None else ""                else:                    level = ""                if len(self.rule.type_xpath):                    tmp_type = proxy.xpath(self.rule.type_xpath).extract_first()                    type = tmp_type.strip() if tmp_type is not None else ""                else:                    type = ""                if len(self.rule.speed_xpath):                    tmp_speed = proxy.xpath(self.rule.speed_xpath).extract_first()                    speed = tmp_speed.strip() if tmp_speed is not None else ""                else:                    speed = ""                item['ip_port']=(":".join([ip,port])) if len(port) else ip

                item['type']=type

                item['level']=level

                item['location']=(" ".join([location1,location2])) if location2 is not None and len(location2) else location1

                item['speed']=speed

                item['lifetime']=lifetime

                item['lastcheck']=lastcheck

                item['rule_id']=self.rule.id

                item['source']=response.url

                yield item

应用截图:

使用signals机制来插入日志并实时更新spider的运行和数据爬取状态

更多原创文章,尽在金笔头博客

上一篇下一篇

猜你喜欢

热点阅读