小编典典

在celery任务中运行Scrapy蜘蛛

scrapy

现在,文档提供了一种“ 从脚本运行Scrapy ”的方法,但ReactorNotRestartable出现错误。

我的任务:

from celery import Task

from twisted.internet import reactor

from scrapy.crawler import Crawler
from scrapy import log, signals
from scrapy.utils.project import get_project_settings

from .spiders import MySpider



class MyTask(Task):
    def run(self, *args, **kwargs):
        spider = MySpider
        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()

阅读 944

收藏
2020-04-08

共1个答案

小编典典

扭曲的电抗器无法重启。解决方法是让celery任务为你要执行的每个爬网派生一个新的子进程,如以下文章中所建议:
通过使用该multiprocessing程序包可以解决“反应器无法重新启动”的问题。但是这样做的问题是,由于你将遇到另一个问题,即守护进程无法生成子进程,因此最新的celery版本现在已解决该解决方法。因此,为了使解决方法起作用,你需要使用celery版本。

是的,scrapyAPI已经更改。但进行了较小的修改(import Crawler而不是CrawlerProcess)。你可以通过关闭Celery版获得解决方法。

这是我更新的抓取脚本,可通过billiard代替来使用较新的celery版本multiprocessing:

from scrapy.crawler import Crawler
from scrapy.conf import settings
from myspider import MySpider
from scrapy import log, project
from twisted.internet import reactor
from billiard import Process
from scrapy.utils.project import get_project_settings

class UrlCrawlerScript(Process):
    def __init__(self, spider):
        Process.__init__(self)
        settings = get_project_settings()
        self.crawler = Crawler(settings)
        self.crawler.configure()
        self.crawler.signals.connect(reactor.stop, signal=signals.spider_closed)
        self.spider = spider

    def run(self):
        self.crawler.crawl(self.spider)
        self.crawler.start()
        reactor.run()

def run_spider(url):
    spider = MySpider(url)
    crawler = UrlCrawlerScript(spider)
    crawler.start()
    crawler.join()

编辑:通过阅读celery问题#1709,他们建议使用台球而不是多进程,以便解除子进程限制。换句话说,我们应该尝试一下台球,看看它是否有效!

编辑2:是的,通过使用台球,我的脚本适用于最新的celery版本!看到我更新的脚本。

2020-04-08