Scrapy spider_idle 信号 - 需要添加带有解析项回调的请求

Question

在我的 Scrapy 蜘蛛中，我重写了 start_requests() 方法，以便从数据库中检索一些额外的 url，这些 url 表示在抓取中可能遗漏的项目（孤立项目）。这应该发生在爬行过程结束时。类似于（伪代码）：

def start_requests(self):
    for url in self.start_urls:
        yield Request(url, dont_filter=True)

    # attempt to crawl orphaned items
    db = MySQLdb.connect(host=self.settings['AWS_RDS_HOST'],
                         port=self.settings['AWS_RDS_PORT'],
                         user=self.settings['AWS_RDS_USER'],
                         passwd=self.settings['AWS_RDS_PASSWD'],
                         db=self.settings['AWS_RDS_DB'],
                         cursorclass=MySQLdb.cursors.DictCursor,
                         use_unicode=True,
                         charset="utf8",)
    c=db.cursor()

    c.execute("""SELECT p.url FROM products p LEFT JOIN product_data pd ON p.id = pd.product_id AND pd.scrape_date = CURDATE() WHERE p.website_id = %s AND pd.id IS NULL""", (self.website_id,))

    while True:
        url = c.fetchone()
        if url is None:
            break
        # record orphaned product
        self.crawler.stats.inc_value('orphaned_count')
        yield Request(url['url'], callback=self.parse_item)
    db.close()

不幸的是，在其余的爬网过程中，爬虫似乎将这些孤立的项目排队 - 因此，实际上，太多的项目被视为孤立的（因为爬虫尚未在正常爬网中检索到这些项目，当执行数据库查询时）。

我需要这个孤立的进程在抓取结束时发生 - 所以我相信我需要使用 spider_idle 信号。

然而，我的理解是我不能简单地在我的蜘蛛空闲方法中产生请求——相反我可以使用 self.crawler.engine.crawl?

我需要通过我的蜘蛛程序的 parse_item() 方法处理请求（并且要遵守我配置的中间件、扩展和管道）。我怎样才能做到这一点？

Answer 1

连接到 idle signal 的空闲方法（假设空闲方法称为 idle_method）应该接收 spider 作为参数，因此您可以执行以下操作：

def idle_method(self, spider):
    self.crawler.engine.crawl(Request(url=myurl, callback=spider.parse_item), spider)

Scrapy spider_idle 信号 - 需要添加带有解析项回调的请求

Scrapy spider_idle signal - need to add requests with parse item callback

scrapy

scrapy-spider

scrapy-signal