Bu, bu kadar kolay değildir çünkü Scrapy engelleme yapmaz ve bir olay döngüsünde çalışır; o Twisted olay döngü kullanır ve Twisted olay döngü yeniden başlatılabilir değildir, bu yüzden crawler.start(); data = crawler.data yazamazsınız - crawler.start() süreci öldürülen veya sona kadar kayıtlı geri çağırarak, sonsuza kadar çalışır sonra.
Bu cevaplar ilgili olabilecek:
uygulamanızda bir olay döngü kullanırsanız (örneğin bir Twisted veya Tornado web sunucusu var) o zaman olduğu verileri bir sürgeden diske kaydetmeden elde etmek mümkün. Fikir, item_scraped sinyalini dinlemektir. Ben daha güzel hale getirmek için aşağıdaki yardımcı kullanıyorum:
import collections
from twisted.internet.defer import Deferred
from scrapy.crawler import Crawler
from scrapy import signals
def scrape_items(crawler_runner, crawler_or_spidercls, *args, **kwargs):
"""
Start a crawl and return an object (ItemCursor instance)
which allows to retrieve scraped items and wait for items
to become available.
Example:
.. code-block:: python
@inlineCallbacks
def f():
runner = CrawlerRunner()
async_items = scrape_items(runner, my_spider)
while (yield async_items.fetch_next):
item = async_items.next_item()
# ...
# ...
This convoluted way to write a loop should become unnecessary
in Python 3.5 because of ``async for``.
"""
crawler = crawler_runner.create_crawler(crawler_or_spidercls)
d = crawler_runner.crawl(crawler, *args, **kwargs)
return ItemCursor(d, crawler)
class ItemCursor(object):
def __init__(self, crawl_d, crawler):
self.crawl_d = crawl_d
self.crawler = crawler
crawler.signals.connect(self._on_item_scraped, signals.item_scraped)
crawl_d.addCallback(self._on_finished)
crawl_d.addErrback(self._on_error)
self.closed = False
self._items_available = Deferred()
self._items = collections.deque()
def _on_item_scraped(self, item):
self._items.append(item)
self._items_available.callback(True)
self._items_available = Deferred()
def _on_finished(self, result):
self.closed = True
self._items_available.callback(False)
def _on_error(self, failure):
self.closed = True
self._items_available.errback(failure)
@property
def fetch_next(self):
"""
A Deferred used with ``inlineCallbacks`` or ``gen.coroutine`` to
asynchronously retrieve the next item, waiting for an item to be
crawled if necessary. Resolves to ``False`` if the crawl is finished,
otherwise :meth:`next_item` is guaranteed to return an item
(a dict or a scrapy.Item instance).
"""
if self.closed:
# crawl is finished
d = Deferred()
d.callback(False)
return d
if self._items:
# result is ready
d = Deferred()
d.callback(True)
return d
# We're active, but item is not ready yet. Return a Deferred which
# resolves to True if item is scraped or to False if crawl is stopped.
return self._items_available
def next_item(self):
"""Get a document from the most recently fetched batch, or ``None``.
See :attr:`fetch_next`.
"""
if not self._items:
return None
return self._items.popleft()
API motor, zaman uyumsuz çerçeveler için MongoDB sürücüsü tarafından esinlenmiştir. Scrape_items'i kullanarak, öğelerini bir MongoDB sorgusundan alma yöntemine benzer bir şekilde, kazınan en kısa sürede bükülmüş veya tornado geri aramalarından alabilirsiniz.