将 Scrapy 与 Django 集成：如何

Question

我还是 Django 的新手 我正在关注this关于如何集成scrapy和django的教程。

问题是当我尝试使用我自己的蜘蛛时，它就不起作用了。 我在 django 外面尝试了蜘蛛，它工作得很好，一些帮助会很有帮助。

这是我的 spider.py 文件

import scrapy
from scrapy_splash import SplashRequest

class NewsSpider(scrapy.Spider):
   name = 'detik'
   allowed_domains = ['news.detik.com']
   start_urls = ['https://news.detik.com/indeks/all/?date=02/28/2018']

def parse(self, response):  
    urls = response.xpath("//div/article/a/@href").extract()        
    for url in urls:
        url = response.urljoin(url)
        yield scrapy.Request(url=url, callback=self.parse_detail)

    # follow pagination link
    page_next =   response.xpath("//a[@class = 'last']/@href").extract_first()
    if page_next:
        page_next = response.urljoin(page_next)
        yield scrapy.Request(url=page_next, callback=self.parse)

def parse_detail(self,response):
    x = {}
    x['breadcrumbs'] = response.xpath("//div[@class='breadcrumb']/a/text()").extract(),
    x['tanggal'] = response.xpath("//div[@class='date']/text()").extract_first(),
    x['penulis'] = response.xpath("//div[@class='author']/text()").extract_first(),
    x['judul'] = response.xpath("//h1/text()").extract_first(),
    x['berita'] = response.xpath("normalize-space(//div[@class='detail_text'])").extract_first(),
    x['tag'] = response.xpath("//div[@class='detail_tag']/a/text()").extract(),
    x['url'] = response.request.url,
    return x

这是我的管道文件

class DetikAppPipeline(object):

def process_item(self, item, spider):
    item = detikNewsItem()
    self.items.append(item['breadcrumbs'])
    self.items.append(item['tanggal'])
    self.items.append(item['penulis'])
    self.items.append(item['judul'])
    self.items.append(item['berita'])
    self.items.append(item['tag'])
    self.items.append(item['url'])
    item.save()

这是 django 中的模型文件

class detikNewsItem(models.Model):
    breadcrumbs = models.TextField()
    tanggal = models.TextField()
    penulis = models.TextField()
    judul = models.TextField()
    berita = models.TextField()
    tag = models.TextField()
    url = models.TextField()

    @property
    def to_dict(self):
    data = {
        'url': json.loads(self.url),
        'tanggal': self.tanggal
    }
    return data

    def __str__(self):
        return self.url

Answer 1

在 Django 项目中如何编写 Scrapy pileline 示例。

from <YOU_APP_NAME>.models import detikNewsItem

class DetikAppPipeline(object):
    def process_item(self, item, spider):
        d, created = detikNewsItem.objects.get_or_create(breadcrumbs=item['breadcrumbs'], url=item['url'])
        if created:        
            d.tanggal = item['tanggal']
            d.penulis = item['penulis']
            d.judul = item['judul']
            d.berita = item['berita']
            d.tag = item['tag']
            d.save()
        
        return item

顺便说一下，你需要在 Django 环境中运行 Scrapy。有几种方法可以做到这一点：

1. 使用django-extensions 模块。 需要新建文件：

   <DJANG_PROJECT>/scripts/__init__.py <DJANG_PROJECT>/scripts/run_scrapy.py

里面有代码：

from scrapy.cmdline import execute

execute(['run_scrapy.py', 'crawl', 'detik'])

1. 另一种方法是使用 Django 管理。需要在项目中用文件创建文件夹：

   <folder_of_app>/management/commands/__init__.py <folder_of_app>/management/commands/scrapy.py scrapy.py 文件应包含代码：

   from scrapy.cmdline import execute
   
   from django.core.management.base import BaseCommand
   
   class Command(BaseCommand):
       help = 'Run scrapy.'
   
       def add_arguments(self, parser):
           parser.add_argument('arguments', nargs='+', type=str)
   
       def handle(self, *args, **options):
           args = []
           args.append('scrapy.py')
           args.extend(options['arguments'])
           execute(args)
   

它允许像这样在 Django 环境中运行 Scrapy：

python manage.py scrapy crawl detik
python manage.py scrapy shell 'https://news.detik.com/indeks/all/?date=02/28/2018'