Scrapy学习笔记(8)-使用signals来监控spider的状态

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

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,271评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,275评论 2 380
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,151评论 0 336
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,550评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,553评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,559评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,924评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,580评论 0 257
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,826评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,578评论 2 320
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,661评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,363评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,940评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,926评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,156评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,872评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,391评论 2 342

推荐阅读更多精彩内容