Как и для How to pass a user defined argument in scrapy spider, я пытаюсь запустить паук, в котором определяется пользователем (start_url
). Однако, вместо запуска scrapy из командной строки, я хотел бы запустить ее из сценария.Как передать определяемый пользователем аргумент в scrapy Spider при запуске его из скрипта
код у меня до сих пор:
import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from scrapy.crawler import CrawlerProcess
class FundaMaxPagesSpider(CrawlSpider):
name = "Funda_max_pages"
allowed_domains = ["funda.nl"]
start_urls = ["http://www.funda.nl/koop/amsterdam/"]
le_maxpage = LinkExtractor(allow=r'%s+p\d+' % start_urls[0]) # Link to a page containing thumbnails of several houses, such as http://www.funda.nl/koop/amsterdam/p10/
rules = (
Rule(le_maxpage, callback='get_max_page_number'),
)
def get_max_page_number(self, response):
links = self.le_maxpage.extract_links(response)
max_page_number = 0 # Initialize the maximum page number
for link in links:
if link.url.count('/') == 6 and link.url.endswith('/'): # Select only pages with a link depth of 3
print("The link is %s" % link.url)
page_number = int(link.url.split("/")[-2].strip('p')) # For example, get the number 10 out of the string 'http://www.funda.nl/koop/amsterdam/p10/'
if page_number > max_page_number:
max_page_number = page_number # Update the maximum page number if the current value is larger than its previous value
print("The maximum page number is %s" % max_page_number)
place_name = link.url.split("/")[-3] # For example, "amsterdam" in 'http://www.funda.nl/koop/amsterdam/p10/'
print("The place name is %s" % place_name)
filename = str(place_name)+"_max_pages.txt" # File name with as prefix the place name
with open(filename,'wb') as f:
f.write('max_page_number = %s' % max_page_number) # Write the maximum page number to a text file
yield {'max_page_number': max_page_number}
process = CrawlerProcess({
'USER_AGENT': 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)'
})
process.crawl(FundaMaxPagesSpider)
process.start() # the script will block here until the crawling is finished
В этом примере start_url
фиксируется на http://www.funda.nl/koop/amsterdam/, но я хотел бы, чтобы вместо того, чтобы передать это в качестве переменной. Как я могу это сделать?