我使用scrapy抓取1000个URL,并将已刮擦的项目存储在mongodb中。我想知道每个网址有多少个项目。从不可靠的统计信息中我可以看到,'item_scraped_count': 3500
但是,我需要分别为每个start_url进行此计数。还有referer
对每个项目,我可能会用手工清点每个URL项目领域:
2016-05-24 15:15:10 [scrapy] DEBUG: Crawled (200) <GET https://www.youtube.com/watch?v=6w-_ucPV674> (referer: https://www.youtube.com/results?q=billys&sp=EgQIAhAB)
但是我想知道是否有来自scrapy的内置支持。
已接受的挑战!
没有任何东西scrapy
可以直接支持此功能,但是您可以使用以下代码将其与您的Spider代码分开Spider Middleware
:
middlewares.py
from scrapy.http.request import Request
class StartRequestsCountMiddleware(object):
start_urls = {}
def process_start_requests(self, start_requests, spider):
for i, request in enumerate(start_requests):
self.start_urls[i] = request.url
request.meta.update(start_request_index=i)
yield request
def process_spider_output(self, response, result, spider):
for output in result:
if isinstance(output, Request):
output.meta.update(
start_request_index=response.meta['start_request_index'],
)
else:
spider.crawler.stats.inc_value(
'start_requests/item_scraped_count/{}'.format(
self.start_urls[response.meta['start_request_index']],
),
)
yield output
请记住在以下位置激活它settings.py
:
SPIDER_MIDDLEWARES = {
...
'myproject.middlewares.StartRequestsCountMiddleware': 200,
}
现在,您应该可以在蜘蛛统计信息中看到如下所示的内容:
'start_requests/item_scraped_count/START_URL1': ITEMCOUNT1,
'start_requests/item_scraped_count/START_URL2': ITEMCOUNT2,
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句