好斗的德国人

Question

我正在使用 Scrapy 1.0.5 和 Gearman 创建分布式爬虫。这个想法是构建一个爬虫，从 gearman worker 脚本调用它并一次传递 20 URLs 以从 gearman 客户端爬行到 worker，然后再到 spider。

我可以启动 worker，将 URLs 从客户端传递给它，让蜘蛛爬行。第一个 URL 或 URL 的数组确实会被拾取并抓取。蜘蛛完成后，我无法重用它。我收到蜘蛛已关闭的日志消息。当我再次启动客户端时，蜘蛛重新打开，但没有爬行。

这是我的工人：

import gearman
import json
from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings


gm_worker = gearman.GearmanWorker(['localhost:4730'])

def task_listener_reverse(gearman_worker, gearman_job):
    process = CrawlerProcess(get_project_settings())

    data = json.loads(gearman_job.data)
    if(data['vendor_name'] == 'walmart'):
        process.crawl('walmart', url=data['url_list'])
        process.start() # the script will block here until the crawling is finished
        return 'completed'

# gm_worker.set_client_id is optional
gm_worker.set_client_id('python-worker')
gm_worker.register_task('reverse', task_listener_reverse)

# Enter our work loop and call gm_worker.after_poll() after each time we timeout/see socket activity
gm_worker.work()

这是我的 Spider 的代码。

    from crawler.items import CrawlerItemLoader
from scrapy.spiders import Spider




class WalmartSpider(Spider):
    name = "walmart"

    def __init__(self, **kw):
        super(WalmartSpider, self).__init__(**kw)
        self.start_urls = kw.get('url')
        self.allowed_domains = ["walmart.com"]

    def parse(self, response):

        item = CrawlerItemLoader(response=response)

        item.add_value('url', response.url)


        #Title
        item.add_xpath('title', '//div/h1/span/text()')

        if(response.xpath('//div/h1/span/text()')):
            title = response.xpath('//div/h1/span/text()')


        item.add_value('title', title)

        yield item.load_item()

第一个客户端运行生成结果，我得到了我需要的数据，无论是单个 URL 还是多个 URL。

在第二个运行上，蜘蛛打开但没有结果。这就是我得到的结果，它停止了

    2016-02-19 01:16:30 [scrapy] INFO: Enabled downloader middlewares: HttpAuthMiddleware, DownloadTimeoutMiddleware, UserAgentMiddleware, RetryMiddleware, DefaultHeadersMiddleware, MetaRefreshMiddleware, HttpCompressionMiddleware, RedirectMiddleware, CookiesMiddleware, ChunkedTransferMiddleware, DownloaderStats
2016-02-19 01:16:30 [scrapy] INFO: Enabled downloader middlewares: HttpAuthMiddleware, DownloadTimeoutMiddleware, UserAgentMiddleware, RetryMiddleware, DefaultHeadersMiddleware, MetaRefreshMiddleware, HttpCompressionMiddleware, RedirectMiddleware, CookiesMiddleware, ChunkedTransferMiddleware, DownloaderStats
2016-02-19 01:16:30 [scrapy] INFO: Enabled spider middlewares: HttpErrorMiddleware, OffsiteMiddleware, RefererMiddleware, UrlLengthMiddleware, DepthMiddleware
2016-02-19 01:16:30 [scrapy] INFO: Enabled spider middlewares: HttpErrorMiddleware, OffsiteMiddleware, RefererMiddleware, UrlLengthMiddleware, DepthMiddleware
2016-02-19 01:16:30 [scrapy] INFO: Enabled item pipelines: MySQLStorePipeline
2016-02-19 01:16:30 [scrapy] INFO: Enabled item pipelines: MySQLStorePipeline
2016-02-19 01:16:30 [scrapy] INFO: Spider opened
2016-02-19 01:16:30 [scrapy] INFO: Spider opened
2016-02-19 01:16:30 [scrapy] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2016-02-19 01:16:30 [scrapy] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2016-02-19 01:16:30 [scrapy] DEBUG: Telnet console listening on 127.0.0.1:6047
2016-02-19 01:16:30 [scrapy] DEBUG: Telnet console listening on 127.0.0.1:6047

我能够从 worker 和 spider 打印 URL 或 URLs 并确保它们在第一个工作运行和第二个不工作运行.我花了 2 天，但没有得到任何结果。如果有任何指点，我将不胜感激。

Answer 1

嗯，我决定放弃Scrapy了。我环顾四周，每个人都不停地指出扭曲反应堆的局限性。我没有与框架作斗争，而是决定构建自己的爬虫，它非常成功地满足了我的需求。我能够启动多个 gearman worker 并使用我构建的 scraper 在服务器场中同时抓取数据。

如果有人感兴趣，我从这篇简单的文章开始构建爬虫。我使用 gearman 客户端查询数据库并将多个 url 发送给工作人员，工作人员抓取 url 并将更新查询返回给数据库。成功！！ :)

http://docs.python-guide.org/en/latest/scenarios/scrape/

好斗的德国人

Scrapy and Gearman

python

scrapy

scrapy-spider

gearman

python-gearman