Learning Scrapy笔记（七）- Scrapy根据Excel文件运行多个爬虫

摘要：根据Excel文件配置运行多个爬虫

很多时候，我们都需要为每一个单独的网站编写一个爬虫，但有一些情况是你要爬取的几个网站的唯一不同之处在于Xpath表达式不同，此时要分别为每一个网站编写一个爬虫就显得徒劳了，其实可以只使用一个spider就爬取这些相似的网站。

首先创建一个名为generic的工程和一个名为fromcsv的spider：

scrapy startproject generic
cd generic
scrapy genspider fromcsv example.com

然后创建一个csv文件，在文件中填充以下信息：

使用Python的csv库来验证一下

$ python
>>> import csv
>>> with open("todo.csv", "rU") as f:
        reader = csv.DictReader(f)
        for line in reader:
            print line

输出如下：

注意：todo.csv文件的第一行会自动作为字典的key

现在读取todo.csv文件中的URL和Xpath表达式来运行spider，由于我们并不能提前知道URL，所以要从spider中移除start_urls和allowed_domains部分，使用start_requests()方法，对于csv文件中的每一行都产生一个Request对象，并且将字段名和Xpath表达式放入参数request.mate中，传递到parse函数，然后永Item和ItemLoader来填充item的字段

import csv
import scrapy
from scrapy.http import Request
from scrapy.loader import ItemLoader
from scrapy.item import Item, Field
class FromcsvSpider(scrapy.Spider):
name = "fromcsv"
def start_requests(self):
    with open("todo.csv", "rU") as f:
        reader = csv.DictReader(f)
        for line in reader:
            request = Request(line.pop(‘url‘)) #从字典中弹出了key为url的元素
            request.meta[‘fields‘] = line
            yield request
def parse(self, response):
    item = Item() # 在本工程中并没有定义items.py文件
    l = ItemLoader(item=item, response=response)
    for name, xpath in response.meta[‘fields‘].iteritems():
        if xpath:
            item.fields[name] = Field() # 动态创建一个item
            l.add_xpath(name, xpath)
    return l.load_item()

fromcsv.py源文件代码地址：

https://github.com/Kylinlin/scrapybook/blob/master/ch05%2Fgeneric%2Fgeneric%2Fspiders%2Ffromcsv.py

运行spider：scrapy crawl fromcsv

由于上面的源码中硬编码了todo.csv文件名，一旦文件名发生了变动就需要修改源代码，这并不是一个好的设计，其实Scrapy使用了一个简便的方式（使用 -a）可以从命令行向spider传送参数，例如：-a variable=value，那么spider就可以在源代码中的self.variable来获取value。为了检查变量名并提供默认值，就使用Python的方法getarrt(self, ‘variable’, ‘default’)，所以上面的with语句可以修改为：

with open(getarrt(self, “file”, “todo.csv”), “rU”) as f:

然后在运行spider时通过-a参数来指定csv文件（如果没有使用-a参数，就默认使用todo.csv文件）：

scrapy crawl fromcsv –a file=todo.csv