Scrapy命令行调用传入自定义参数

在做爬虫服务化时，有这样一个需求：接口用命令行启动爬虫，但是数据入库时要记录此次任务的task_id。

简单说就是，Scrapy命令行启动时要动态传参进去。

 

解决方案：

在spider中定义一个构造函数

def __init__(self, task_id=None, *args, **kwargs):
    super(AtomicscientistSpider, self).__init__(*args, **kwargs)
    self.task_id = task_id

 

通过使用-a可以向爬虫文件中定义的类传递属性，然后在该类中获取该属性即可实现传入自定义参数。

这样，在启动scrapy时，task_id当做参数传入spider中了：

scrapy crawl spider_name -a task_id=123

 

解释说明：

 

其他示例：

可用来传入参数，控制爬取的页数。

def __init__(self, pages=None, *args, **kwargs):
    super(LvideoSpider, self).__init__(*args, **kwargs)
    self.pages = pages
    
...
def parse(self, response):
    pages = re.findall(r'当前:1/(\d+)页', response.text, re.S)[0]
    link = response.meta['format_page']
    # 如果self.pages存在，那么就会代替正则取到的页数
    if self.pages:
        pages = self.pages
        print('共' + str(pages) + '页')
    for page in range(1, int(pages) + 1):
        page_link = link.format(page)
        yield Request(page_link, callback=self.parse_video_link,
                      meta={'soucre_name': response.meta['soucre_name'],
                            'domin': response.meta['domin'],
                            'page_link': page_link}, dont_filter=True)

 

启动并控制爬取的页数：

scrapy crawl spider_name -a pages=10

　　

 参考：

https://scrapy-chs.readthedocs.io/zh_CN/latest/

https://zhuanlan.zhihu.com/p/62584367

https://www.jianshu.com/p/a7d32207a5f8