为列表中的每个 url 重新启动scrapy

如何解决为列表中的每个 url 重新启动scrapy

我正在尝试运行一个scrapy bot，它将为列表中给定的每个url重复运行蜘蛛。我写到现在的代码如下

var pfa = doc.Element("PFA");
IList<XElement> entities = pfa.Elements("Entity").ToList();
foreach (var entity in entities)
{
    entity.Remove(); // Remove all the <Entity> tags from <PFA>
}
var record = new XElement("Record");
pfa.Add(record); // Add the new <Record>
foreach (var entity in entities) 
{
    record.Add(entity); // Add the <Entity> tags back to <Record>
}

蜘蛛本身在第一个 url 上运行良好，但是一旦循环命中它就会给出错误 def run_spider(url_list,allowed_list): runner = CrawlerRunner(get_project_settings()) d = runner.crawl('scraper',start_urls=url_list,allowed_domains=allowed_list) d.addBoth(lambda _: reactor.stop()) reactor.run() for start,allowed in zip(start_url,allowedUrl): url_list = [] allowed_list = [] url_list.append(start) allowed_list.append(allowed) print(type(url_list),type(allowed_list)) run_spider(url_list,allowed_list) ，完整的回溯在这里：

twisted.internet.error.ReactorNotRestartable

我正在遵循文档中描述的方法，但如何为循环中的每个项目重新启动蜘蛛。任何建议都会非常有帮助。

P:S:: 当简单地传递允许的域和起始 url 时，蜘蛛机器人本身就可以正常工作

解决方法

要使您的代码正常工作，您必须重新排列 reactor.run() 和 reactor.stop() 逻辑。以下是解决问题的方法示例：

from scrapy.crawler import CrawlerRunner
from twisted.internet.defer import gatherResults
from twisted.internet import reactor

def run_spider(url_list,allowed_list):
    """
    :returns: Deferred
    """
    runner = CrawlerRunner(get_project_settings())
    return runner.crawl('scraper',start_urls=url_list,allowed_domains=allowed_list)

d_list = []
for start,allowed in zip(start_url,allowedUrl):
    # ... your logic ...
    # Append the deferred into a list.
    d_list.append(run_spider(url_list,allowed_list))

# "Join"
results = gatherResults(d_list)
# Stop the reactor after all the sites are scraped or a failure occurs
results.addBoth(lambda _: reactor.stop())

reactor.run()

run_spider() 返回 Deferred。在循环中，将 Deferred 附加到列表中并“加入”所有列表或在发生故障时停止处理（读取 gatherResults）。一旦所有站点都被刮掉，反应堆就会停止。

在网络上搜索 ReactorNotRestartable，因为这已经解释过很多次了。

,

我也是scrapy的新手。但是我会在不重启爬虫的情况下编写这个爬虫（这是有问题的，因为它需要重启反应器）。像这样：

class MySpider(scrapy.Spider):
    name = 'spidery'
    allowed_domains = ['allowed_list']
    start_urls = url_list
    
    def parse(self,response):
       #here is what you want to scrape

crawler = CrawlerProcess()
crawler.crawl(MySpider)
crawler.start()

我希望应该这样做！