Сканирование с помощью script всегда блокирует выполнение script после соскабливания

Я следую этому руководству http://doc.scrapy.org/en/0.16/topics/practices.html#run-scrapy-from-a-script, чтобы запустить scrapy из моего script. Вот часть моего script:

    crawler = Crawler(Settings(settings))
    crawler.configure()
    spider = crawler.spiders.create(spider_name)
    crawler.crawl(spider)
    crawler.start()
    log.start()
    reactor.run()
    print "It can't be printed out!"

Он работает на нем: должен посещать страницы, запрашивать необходимую информацию и хранить выходные данные json, где я сказал (через FEED_URI). Но когда паук заканчивает свою работу (я вижу ее по номеру в выходном json), выполнение моего script не возобновится. Наверное, это не проблема с релаксацией. И ответ должен где-то в скрученном реакторе. Как я могу освободить выполнение потока?

Ответ 1

Вам нужно будет остановить реактор, когда паук заканчивается. Вы можете выполнить это, прослушав сигнал spider_closed:

from twisted.internet import reactor

from scrapy import log, signals
from scrapy.crawler import Crawler
from scrapy.settings import Settings
from scrapy.xlib.pydispatch import dispatcher

from testspiders.spiders.followall import FollowAllSpider

def stop_reactor():
    reactor.stop()

dispatcher.connect(stop_reactor, signal=signals.spider_closed)
spider = FollowAllSpider(domain='scrapinghub.com')
crawler = Crawler(Settings())
crawler.configure()
crawler.crawl(spider)
crawler.start()
log.start()
log.msg('Running reactor...')
reactor.run()  # the script will block here until the spider is closed
log.msg('Reactor stopped.')

И вывод журнала командной строки может выглядеть примерно так:

[email protected]:/srv/scrapy/testspiders$ ./api
2013-02-10 14:49:38-0600 [scrapy] INFO: Running reactor...
2013-02-10 14:49:47-0600 [followall] INFO: Closing spider (finished)
2013-02-10 14:49:47-0600 [followall] INFO: Dumping Scrapy stats:
    {'downloader/request_bytes': 23934,...}
2013-02-10 14:49:47-0600 [followall] INFO: Spider closed (finished)
2013-02-10 14:49:47-0600 [scrapy] INFO: Reactor stopped.
[email protected]:/srv/scrapy/testspiders$

Ответ 2

В scrapy 0.19.x вы должны это сделать:

from twisted.internet import reactor
from scrapy.crawler import Crawler
from scrapy import log, signals
from testspiders.spiders.followall import FollowAllSpider
from scrapy.utils.project import get_project_settings

spider = FollowAllSpider(domain='scrapinghub.com')
settings = get_project_settings()
crawler = Crawler(settings)
crawler.signals.connect(reactor.stop, signal=signals.spider_closed)
crawler.configure()
crawler.crawl(spider)
crawler.start()
log.start()
reactor.run() # the script will block here until the spider_closed signal was sent

Обратите внимание на следующие строки

settings = get_project_settings()
crawler = Crawler(settings)

Без этого ваш паук не будет использовать ваши настройки и не сохранит элементы. Понадобился время, чтобы понять, почему пример в документации не сохранял мои предметы. Я отправил запрос на перенос, чтобы исправить пример документа.

Еще один способ сделать это - просто вызвать команду непосредственно от вас script

from scrapy import cmdline
cmdline.execute("scrapy crawl followall".split())  #followall is the spider name