译者:OSGeo 中国
扩展框架提供了一种将您自己的自定义功能插入到Scrapy中的机制。
扩展只是在初始化扩展时,在scrapy启动时实例化的常规类。
扩展设置
扩展使用 Scrapy settings 管理他们的设置,就像任何其他零碎的代码一样。
扩展通常会在其设置前面加上自己的名称,以避免与现有(和将来)扩展冲突。例如,要处理的假设扩展 Google Sitemaps 将使用如下设置 GOOGLESITEMAP_ENABLED
, GOOGLESITEMAP_DEPTH
等等。
加载和激活扩展
通过实例化扩展类的单个实例,可以在启动时加载和激活扩展。因此,所有扩展初始化代码都必须在类构造函数中执行。( __init__
方法)。
若要使扩展名可用,请将其添加到 EXTENSIONS
设置你的剪贴设置。在 EXTENSIONS
,每个扩展都由一个字符串表示:扩展类名的完整python路径。例如::
EXTENSIONS = {
'scrapy.extensions.corestats.CoreStats': 500,
'scrapy.extensions.telnet.TelnetConsole': 500,
}
如你所见, EXTENSIONS
设置是一个dict,其中键是扩展路径,它们的值是定义扩展的顺序。 loading 秩序。这个 EXTENSIONS
设置与合并 EXTENSIONS_BASE
在scrappy中定义的设置(不打算被重写),然后按顺序排序,以获得已启用扩展的最终排序列表。
由于扩展通常不相互依赖,因此在大多数情况下,它们的加载顺序是不相关的。这就是为什么 EXTENSIONS_BASE
设置以相同的顺序定义所有扩展( 0
)但是,如果需要添加依赖于已加载的其他扩展的扩展,则可以利用此功能。
可用、启用和禁用扩展
并非所有可用的扩展都将启用。其中一些通常取决于特定的设置。例如,HTTP缓存扩展在默认情况下是可用的,但在 HTTPCACHE_ENABLED
设置设置。
禁用扩展
为了禁用默认启用的扩展(即包含在 EXTENSIONS_BASE
设置)必须将其顺序设置为 None
. 例如::
EXTENSIONS = {
'scrapy.extensions.corestats.CoreStats': None,
}
编写自己的扩展名
每个扩展都是一个Python类。 Scrapy 扩展(也包括中间产品和管道)的主要入口点是 from_crawler
类方法,它接收 Crawler
实例。通过爬虫对象,您可以访问设置、信号、统计信息,还可以控制爬行行为。
通常,扩展连接到 signals 并执行由它们触发的任务。
最后,如果 from_crawler
方法引发 NotConfigured
异常,扩展将被禁用。否则,将启用扩展。
样本扩展
在这里,我们将实现一个简单的扩展来说明前一节中描述的概念。此扩展将每次记录一条消息:
- Spider 被打开了
- Spider 被关闭了
- 特定数量的物品被刮掉
扩展将通过 MYEXT_ENABLED
设置和项目数将通过 MYEXT_ITEMCOUNT
设置。
这是这种扩展的代码:
import logging
from scrapy import signals
from scrapy.exceptions import NotConfigured
logger = logging.getLogger(__name__)
class SpiderOpenCloseLogging(object):
def __init__(self, item_count):
self.item_count = item_count
self.items_scraped = 0
@classmethod
def from_crawler(cls, crawler):
# first check if the extension should be enabled and raise
# NotConfigured otherwise
if not crawler.settings.getbool('MYEXT_ENABLED'):
raise NotConfigured
# get the number of items from settings
item_count = crawler.settings.getint('MYEXT_ITEMCOUNT', 1000)
# instantiate the extension object
ext = cls(item_count)
# connect the extension object to signals
crawler.signals.connect(ext.spider_opened, signal=signals.spider_opened)
crawler.signals.connect(ext.spider_closed, signal=signals.spider_closed)
crawler.signals.connect(ext.item_scraped, signal=signals.item_scraped)
# return the extension object
return ext
def spider_opened(self, spider):
logger.info("opened spider %s", spider.name)
def spider_closed(self, spider):
logger.info("closed spider %s", spider.name)
def item_scraped(self, item, spider):
self.items_scraped += 1
if self.items_scraped % self.item_count == 0:
logger.info("scraped %d items", self.items_scraped)
内置扩展引用
通用扩展
日志统计扩展
class scrapy.extensions.logstats.LogStats
记录基本的统计信息,如已爬网的页面和已擦除的项目。
核心统计扩展
class scrapy.extensions.corestats.CoreStats
启用核心统计信息集合,前提是已启用统计信息集合(请参见 统计数据集合 )
Telnet控制台扩展
class scrapy.extensions.telnet.TelnetConsole
提供一个telnet控制台,用于进入当前运行的scrapy进程中的python解释器,这对于调试非常有用。
telnet控制台必须由 TELNETCONSOLE_ENABLED
设置,服务器将侦听中指定的端口 TELNETCONSOLE_PORT
.
内存使用扩展
class scrapy.extensions.memusage.MemoryUsage
注解
此扩展在Windows中不起作用。
监视运行spider的scrapy进程使用的内存,并:
- 超过某个值时发送通知电子邮件
- 当 Spider 超过某个值时关闭 Spider
当达到某个警告值时,可以触发通知电子邮件。( MEMUSAGE_WARNING_MB
)当达到最大值时( MEMUSAGE_LIMIT_MB
)这也会导致 Spider 被关闭, Scrapy 过程被终止。
此扩展由 MEMUSAGE_ENABLED
设置,可以使用以下设置进行配置:
内存调试器扩展
class scrapy.extensions.memdebug.MemoryDebugger
调试内存使用情况的扩展。它收集以下信息:
- python垃圾收集器未收集的对象
- 不应该保留的对象。有关详细信息,请参阅 使用调试内存泄漏 trackref
要启用此扩展,请打开 MEMDEBUG_ENABLED
设置。信息将存储在统计信息中。
关闭星形延长件
class scrapy.extensions.closespider.CloseSpider
当满足某些条件时,使用每个条件的特定关闭原因自动关闭 Spider 。
关闭 Spider 的条件可以通过以下设置进行配置:
CLOSESPIDER_TIMEOUT
违约: 0
指定秒数的整数。如果 Spider 保持打开超过该秒数,它将自动关闭,原因如下 closespider_timeout
. 如果为零(或未设置), Spider 将不会在超时时关闭。
CLOSESPIDER_ITEMCOUNT
违约: 0
指定若干项的整数。如果spider的抓取量超过该数量,并且这些项目通过项目管道,那么spider将关闭,原因是 closespider_itemcount
. 当前在下载器队列中的请求(最多 CONCURRENT_REQUESTS
请求)仍在处理中。如果为零(或未设置), Spider 将不会被通过的项目数关闭。
CLOSESPIDER_PAGECOUNT
0.11 新版功能.
违约: 0
指定要爬网的最大响应数的整数。如果 Spider 爬得比这个还多, Spider 会被关闭的,原因是 closespider_pagecount
. 如果为零(或未设置), Spider 将不会被爬行响应的数量关闭。
CLOSESPIDER_ERRORCOUNT
0.11 新版功能.
违约: 0
一个整数,指定关闭 Spider 之前要接收的最大错误数。如果spider生成的错误数量超过该数量,则会关闭它并说明原因。 closespider_errorcount
. 如果为零(或未设置), Spider 将不会被错误数关闭。
StatsMailer扩展
class scrapy.extensions.statsmailer.StatsMailer
这个简单的扩展可用于在域完成抓取时发送通知电子邮件,包括收集到的残缺统计信息。电子邮件将发送给 STATSMAILER_RCPTS
设置。
调试扩展
堆栈跟踪转储扩展
class scrapy.extensions.debug.StackTraceDump
当 SIGQUIT 或 SIGUSR2 接收到信号。转储的信息如下:
- 发动机状态(使用
scrapy.utils.engine.get_engine_status()
) - 实时参考(请参见 使用调试内存泄漏 trackref )
- 所有线程的堆栈跟踪
在转储堆栈跟踪和引擎状态后,碎片进程继续正常运行。
此扩展仅在符合POSIX的平台(即,不是Windows)上工作,因为 SIGQUIT 和 SIGUSR2 Windows上没有信号。
至少有两种方法可以将Scrapy SIGQUIT 信号:
按ctrl-while a scrapy process is running(Linux only?)
通过运行此命令(假设
<pid>
是 Scrapy 流程的流程ID)::kill -QUIT <pid>
调试器扩展
class scrapy.extensions.debug.Debugger
调用一个 Python debugger 当 SIGUSR2 接收到信号。退出调试程序后,碎片处理程序继续正常运行。
有关详细信息,请参阅 Debugging in Python .
此扩展仅在符合POSIX的平台(即,不是Windows)上工作。