Scrapy-爬虫多开技能

我们知道，现在运行Scrapy项目中的爬虫文件，需要一个一个地运行，那么是否可以将对应的爬虫文件批量运行呢？如果可以，又该怎么实现呢？在Scrapy中，如果想批量运行爬虫文件，常见的有两种方法：

使用CrawProcess实现
使用修改craw源码 + 自定义命令的方式实现

现在我们创建一个新的爬虫项目，用于实现爬虫多开技能：

scrapy startproject multi_spiders

然后，进入该爬虫项目所在目录，并在该项目中创建3个爬虫文件，如下所示：

vagrant@homestead:~/spider/multi_spiders$ scrapy genspider first_spider baidu.com
Created spider 'first_spider' using template 'basic' in module:
  multi_spiders.spiders.first_spider
  
  
vagrant@homestead:~/spider/multi_spiders$ scrapy genspider second_spider baidu.com
Created spider 'second_spider' using template 'basic' in module:
  multi_spiders.spiders.second_spider
  

vagrant@homestead:~/spider/multi_spiders$ scrapy genspider third_spider baidu.com
Created spider 'third_spider' using template 'basic' in module:
  multi_spiders.spiders.third_spider

此时，我们已经在项目中创建了3个爬虫文件，有了这些转呗工作之后，我们就可以正式进入运行多个爬虫文件的功能的编写。

使用CrawProcess实现

CrawProcess为scrapy.spiders模块下的一个工具类，要实现爬虫多开技能，我们需要先将其导入进来，并且实例化。下面新建一个Python文件multi_manager.py，用于实现爬虫多开操作，实现多开操作的具体代码如下：

# -*- coding: UTF-8 -*-

from multi_spiders.spiders.first_spider import FirstSpiderSpider
from multi_spiders.spiders.second_spider import SecondSpiderSpider
from multi_spiders.spiders.third_spider import ThirdSpiderSpider
from scrapy.crawler import CrawlerProcess


process = CrawlerProcess()
# 将三个爬虫类依次添加进来
process.crawl(FirstSpiderSpider)
process.crawl(SecondSpiderSpider)
process.crawl(ThirdSpiderSpider)
process.start()

运行此模块会发现，三个爬虫都被运行了。

修改crawl源码

Scrapy是开源的，如果要实现运行多个爬虫文件，我们参考crawl命令的源码，进行相应的修改，并写一个自己的Python文件，这相当于定义了一个心明了，所以还需要使用Scrapy添加自定义命令的功能为我们所写的代码添加一个自定义命令。然后就可以根据这个自定义命令，运行多个爬虫文件。

crawl命令的源码可以在Scrapy官方的GitHub项目中找到（地址市：https://github.com/scrapy/scrapy/blob/master/scrapy/commands/crawl.py）,找到并打开该源码文件，具体代码如下所示：

import os
from scrapy.commands import ScrapyCommand
from scrapy.utils.conf import arglist_to_dict
from scrapy.utils.python import without_none_values
from scrapy.exceptions import UsageError


class Command(ScrapyCommand):
    ...
    def run(self, args, opts):
        if len(args) < 1:
            raise UsageError()
        elif len(args) > 1:
            raise UsageError("running 'scrapy crawl' with more than one spider is no longer supported")
        spname = args[0]

        self.crawler_process.crawl(spname, **opts.spargs)
        self.crawler_process.start()

部分与我们不相关的代码，我就不贴出来了，有兴趣的同学可以自己上去看一下。这里，我们主要看Command类下面的run()方法，run()方法中指定了要运行哪些爬虫文件，具体通过crawler_process.crawl(spname, **opts.spargs)实现爬虫文件的运行，spname指的是爬虫名称。所以，我们要实现一次运行多个爬虫文件，关键需要修改run()方法。

首先，我们进入到项目目录multi_spiders，而后进入multi_spiders，在这里新建一个文件夹，如下：

vagrant@homestead:~/spider/multi_spiders/multi_spiders$ mkdir mycmd

然后，进入新建的文件夹mycmd并创建一个Python文件，名字可自定义：

vagrant@homestead:~/spider/multi_spiders/multi_spiders/mycmd$ vi mycrawl

将crawl命令的源码复制此文件中，并对run()方法进行如下修改：

import os
from scrapy.commands import ScrapyCommand
from scrapy.utils.conf import arglist_to_dict
from scrapy.utils.python import without_none_values
from scrapy.exceptions import UsageError


class Command(ScrapyCommand):
    ...
    def run(self, args, opts):
        spname_list = self.crawl_process.spider_loader.list()
        for spname in spname_list():
            self.crawl_process.crawl(spname, **opts.spargs)
        self.crawler_process.start()

然后在该文件的同级目录下添加一个初始化文件__init__.py。随后我们还需要在项目的配置文件settings.py中进行相应配置，定义命令源码目录，如下所示：

COMMANDS_MODULE = 'multi_spiders.mycmd'

随后，我们退回到项目所在目录，并输入scrapy -h，将会出现如下所示信息：

vagrant@homestead:~/spider/multi_spiders$ scrapy -h
Scrapy 1.4.0 - project: multi_spiders

Usage:
  scrapy <command> [options] [args]

Available commands:
  bench         Run quick benchmark test
  check         Check spider contracts
  crawl         Run a spider
  edit          Edit spider
  fetch         Fetch a URL using the Scrapy downloader
  genspider     Generate new spider using pre-defined templates
  list          List available spiders
  mycrawl       Run a spider
  parse         Parse URL (using its spider) and print the results
  runspider     Run a self-contained spider (without creating a project)
  settings      Get settings values
  shell         Interactive scraping console
  startproject  Create new project
  version       Print Scrapy version
  view          Open URL in browser, as seen by Scrapy

Use "scrapy <command> -h" to see more info about a command

可以看到，此时已经出现自定义命令mycrawl了。随后我们就可以使用该自定义命令同时启动所有的爬虫文件了，如下所示：

vagrant@homestead:~/spider/multi_spiders$ scrapy mycrawl --nolog

此时已经通过自定义的mycrawl命令同时启动了爬虫文件first_spider、second_spider、third_spider