同时运行多个scrapy爬虫的几种方法（自定义scrapy项目命令）

　　试想一下，前面做的实验和例子都只有一个spider。然而，现实的开发的爬虫肯定不止一个。既然这样，那么就会有如下几个问题：1、在同一个项目中怎么创建多个爬虫的呢？2、多个爬虫的时候是怎么将他们运行起来呢？

　　说明：本文章是基于前面几篇文章和实验的基础上完成的。如果您错过了，或者有疑惑的地方可以在此查看：

　　安装python爬虫scrapy踩过的那些坑和编程外的思考

　　scrapy爬虫成长日记之创建工程-抽取数据-保存为json格式的数据

　　scrapy爬虫成长日记之将抓取内容写入mysql数据库

　　如何让你的scrapy爬虫不再被ban

　　一、创建spider

　　1、创建多个spider，scrapy genspider spidername domain

scrapy genspider CnblogsHomeSpider cnblogs.com

　　通过上述命令创建了一个spider name为CnblogsHomeSpider的爬虫，start_urls为http://www.cnblogs.com/的爬虫

　　2、查看项目下有几个爬虫scrapy list

[root@bogon cnblogs]# scrapy list
CnblogsHomeSpider
CnblogsSpider

　　由此可以知道我的项目下有两个spider，一个名称叫CnblogsHomeSpider，另一个叫CnblogsSpider。

　　更多关于scrapy命令可参考：http://doc.scrapy.org/en/latest/topics/commands.html

　　二、让几个spider同时运行起来

　　现在我们的项目有两个spider，那么现在我们怎样才能让两个spider同时运行起来呢？你可能会说写个shell脚本一个个调用，也可能会说写个python脚本一个个运行等。然而我在stackoverflow.com上看到。的确也有不上前辈是这么实现。然而官方文档是这么介绍的。

　　1、Run Scrapy from a script

import scrapy
from scrapy.crawler import CrawlerProcessclass 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

　　这里主要通过scrapy.crawler.CrawlerProcess来实现在脚本里运行一个spider。更多的例子可以在此查看：https://github.com/scrapinghub/testspiders

　　2、Running multiple spiders in the same process

通过CrawlerProcess

import scrapy
from scrapy.crawler import CrawlerProcessclass MySpider1(scrapy.Spider):# Your first spider definition
    ...class MySpider2(scrapy.Spider):# Your second spider definition
    ...process = CrawlerProcess()
process.crawl(MySpider1)
process.crawl(MySpider2)
process.start() # the script will block here until all crawling jobs are finished

通过CrawlerRunner

import scrapy
from twisted.internet import reactor
from scrapy.crawler import CrawlerRunner
from scrapy.utils.log import configure_loggingclass MySpider1(scrapy.Spider):# Your first spider definition
    ...class MySpider2(scrapy.Spider):# Your second spider definition
    ...configure_logging()
runner = CrawlerRunner()
runner.crawl(MySpider1)
runner.crawl(MySpider2)
d = runner.join()
d.addBoth(lambda _: reactor.stop())reactor.run() # the script will block here until all crawling jobs are finished

通过CrawlerRunner和链接(chaining) deferred来线性运行

from twisted.internet import reactor, defer
from scrapy.crawler import CrawlerRunner
from scrapy.utils.log import configure_loggingclass MySpider1(scrapy.Spider):# Your first spider definition
    ...class MySpider2(scrapy.Spider):# Your second spider definition
    ...configure_logging()
runner = CrawlerRunner()@defer.inlineCallbacks
def crawl():yield runner.crawl(MySpider1)yield runner.crawl(MySpider2)reactor.stop()crawl()
reactor.run() # the script will block here until the last crawl call is finished

　　这是官方文档提供的几种在script里面运行spider的方法。

　　三、通过自定义scrapy命令的方式来运行

　　创建项目命令可参考：http://doc.scrapy.org/en/master/topics/commands.html?highlight=commands_module#custom-project-commands

　　1、创建commands目录

mkdir commands

　　注意：commands和spiders目录是同级的

　　2、在commands下面添加一个文件crawlall.py

　　这里主要通过修改scrapy的crawl命令来完成同时执行spider的效果。crawl的源码可以在此查看：https://github.com/scrapy/scrapy/blob/master/scrapy/commands/crawl.py

from scrapy.commands import ScrapyCommand
from scrapy.crawler import CrawlerRunner
from scrapy.utils.conf import arglist_to_dictclass Command(ScrapyCommand):requires_project = Truedef syntax(self):  return '[options]'  def short_desc(self):  return 'Runs all of the spiders'  def add_options(self, parser):ScrapyCommand.add_options(self, parser)parser.add_option("-a", dest="spargs", action="append", default=[], metavar="NAME=VALUE",help="set spider argument (may be repeated)")parser.add_option("-o", "--output", metavar="FILE",help="dump scraped items into FILE (use - for stdout)")parser.add_option("-t", "--output-format", metavar="FORMAT",help="format to use for dumping items with -o")def process_options(self, args, opts):ScrapyCommand.process_options(self, args, opts)try:opts.spargs = arglist_to_dict(opts.spargs)except ValueError:raise UsageError("Invalid -a value, use -a NAME=VALUE", print_help=False)def run(self, args, opts):#settings = get_project_settings()
spider_loader = self.crawler_process.spider_loaderfor spidername in args or spider_loader.list():print "*********cralall spidername************" + spidernameself.crawler_process.crawl(spidername, **opts.spargs)self.crawler_process.start()

　　这里主要是用了self.crawler_process.spider_loader.list()方法获取项目下所有的spider，然后利用self.crawler_process.crawl运行spider

　　3、commands命令下添加__init__.py文件

touch __init__.py

　　注意：这一步一定不能省略。我就是因为这个问题折腾了一天。囧。。。就怪自己半路出家的吧。

　　如果省略了会报这样一个异常

Traceback (most recent call last):File "/usr/local/bin/scrapy", line 9, in <module>load_entry_point('Scrapy==1.0.0rc2', 'console_scripts', 'scrapy')()File "/usr/local/lib/python2.7/site-packages/Scrapy-1.0.0rc2-py2.7.egg/scrapy/cmdline.py", line 122, in executecmds = _get_commands_dict(settings, inproject)File "/usr/local/lib/python2.7/site-packages/Scrapy-1.0.0rc2-py2.7.egg/scrapy/cmdline.py", line 50, in _get_commands_dictcmds.update(_get_commands_from_module(cmds_module, inproject))File "/usr/local/lib/python2.7/site-packages/Scrapy-1.0.0rc2-py2.7.egg/scrapy/cmdline.py", line 29, in _get_commands_from_modulefor cmd in _iter_command_classes(module):File "/usr/local/lib/python2.7/site-packages/Scrapy-1.0.0rc2-py2.7.egg/scrapy/cmdline.py", line 20, in _iter_command_classesfor module in walk_modules(module_name):File "/usr/local/lib/python2.7/site-packages/Scrapy-1.0.0rc2-py2.7.egg/scrapy/utils/misc.py", line 63, in walk_modulesmod = import_module(path)File "/usr/local/lib/python2.7/importlib/__init__.py", line 37, in import_module__import__(name)
ImportError: No module named commands

　　一开始怎么找都找不到原因在哪。耗了我一整天，后来到http://stackoverflow.com/上得到了网友的帮助。再次感谢万能的互联网，要是没有那道墙该是多么的美好呀！扯远了，继续回来。

　　4、settings.py目录下创建setup.py（这一步去掉也没影响，不知道官网帮助文档这么写有什么具体的意义。）

from setuptools import setup, find_packagessetup(name='scrapy-mymodule',entry_points={'scrapy.commands': ['crawlall=cnblogs.commands:crawlall',],},)

　　这个文件的含义是定义了一个crawlall命令，cnblogs.commands为命令文件目录，crawlall为命令名。

　　5. 在settings.py中添加配置：

COMMANDS_MODULE = 'cnblogs.commands'

　　6. 运行命令scrapy crawlall

　　最后源码更新至此：https://github.com/jackgitgz/CnblogsSpider