信号

Scrapy广泛使用信号来通知某些事件何时发生。你可以在你的垃圾项目中捕捉到这些信号(使用 extension 例如)执行其他任务或扩展scrapy以添加框外未提供的功能。

即使信号提供了几个参数,捕获它们的处理程序也不需要接受所有参数——信号调度机制只传递处理程序接收的参数。

您可以通过 信号API .

下面是一个简单的示例,演示如何捕捉信号并执行某些操作:

from scrapy import signals
from scrapy import Spider


class DmozSpider(Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/",
    ]


    @classmethod
    def from_crawler(cls, crawler, *args, **kwargs):
        spider = super(DmozSpider, cls).from_crawler(crawler, *args, **kwargs)
        crawler.signals.connect(spider.spider_closed, signal=signals.spider_closed)
        return spider


    def spider_closed(self, spider):
        spider.logger.info('Spider closed: %s', spider.name)


    def parse(self, response):
        pass

延迟信号处理程序

一些信号支持返回 Deferred 对象,允许您运行不阻塞Scrapy的异步代码。如果信号处理程序返回 Deferred ,小淘气等着呢 Deferred 开火。

举个例子:

class SignalSpider(scrapy.Spider):
    name = 'signals'
    start_urls = ['http://quotes.toscrape.com/page/1/']

    @classmethod
    def from_crawler(cls, crawler, *args, **kwargs):
        spider = super(SignalSpider, cls).from_crawler(crawler, *args, **kwargs)
        crawler.signals.connect(spider.item_scraped, signal=signals.item_scraped)
        return spider

    def item_scraped(self, item):
        # Send the scraped item to the server
        d = treq.post(
            'http://example.com/post',
            json.dumps(item).encode('ascii'),
            headers={b'Content-Type': [b'application/json']}
        )

        # The next item will be scraped only after
        # deferred (d) is fired
        return d

    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text': quote.css('span.text::text').get(),
                'author': quote.css('small.author::text').get(),
                'tags': quote.css('div.tags a.tag::text').getall(),
            }

内置信号参考 下面要知道哪些信号支持 Deferred .

内置信号参考

这是一个零碎的内置信号列表及其含义。

发动机信号

engine_started

scrapy.signals.engine_started()

当废引擎开始爬行时发送。

此信号支持从其处理程序返回延迟。

注解

此信号可能被触发 之后 这个 spider_opened 信号,取决于蜘蛛是如何启动的。所以 不要 依靠这个信号 spider_opened .

engine_stopped

scrapy.signals.engine_stopped()

在报废引擎停止时发送(例如,当爬行过程完成时)。

此信号支持从其处理程序返回延迟。

项目信号

注解

最大值时 CONCURRENT_ITEMS 项是并行处理的,许多延迟是使用 DeferredList . 因此,下一批将等待 DeferredList 激发,然后为下一批报废的项运行相应的项信号处理程序。

item_scraped

scrapy.signals.item_scraped(item, response, spider)

当一个项目被爬取时发送,当它通过所有 项目管道 阶段(不下降)。

此信号支持从其处理程序返回延迟。

参数
  • item (item object) -- 刮掉的东西

  • spider (Spider object) -- 爬取项目的蜘蛛

  • response (Response object) -- 从项目被爬取的地方得到的响应

item_dropped

scrapy.signals.item_dropped(item, response, exception, spider)

从中删除项目后发送 项目管道 当某个阶段 DropItem 例外。

此信号支持从其处理程序返回延迟。

参数
  • item (item object) -- 从中删除的项 项目管道

  • spider (Spider object) -- 爬取项目的蜘蛛

  • response (Response object) -- 从中删除项的响应

  • exception (DropItem exception) -- 例外情况(必须是 DropItem 子类)导致该项被删除

item_error

scrapy.signals.item_error(item, response, spider, failure)

发送时 项目管道 生成错误(即引发异常),除非 DropItem 例外。

此信号支持从其处理程序返回延迟。

参数

蜘蛛信号

spider_closed

scrapy.signals.spider_closed(spider, reason)

在蜘蛛关闭后发送。这可用于释放在上保留的每个蜘蛛资源 spider_opened .

此信号支持从其处理程序返回延迟。

参数
  • spider (Spider object) -- 已关闭的蜘蛛

  • reason (str) -- 描述蜘蛛关闭原因的字符串。如果它是因为蜘蛛完成了爬取而关闭的,原因是 'finished' . 否则,如果通过调用 close_spider 引擎方法,则原因是 reason 该方法的参数(默认为 'cancelled' )如果发动机停机(例如,按ctrl-c停止发动机),原因将是 'shutdown' .

spider_opened

scrapy.signals.spider_opened(spider)

在蜘蛛被打开爬行后发送。这通常用于为每个蜘蛛保留资源,但可用于打开蜘蛛时需要执行的任何任务。

此信号支持从其处理程序返回延迟。

参数

spider (Spider object) -- 已经打开的蜘蛛

spider_idle

scrapy.signals.spider_idle(spider)

当蜘蛛空闲时发送,这意味着蜘蛛没有更多:

  • 等待下载的请求

  • 计划的请求

  • 正在项管道中处理的项

如果此信号的所有处理程序完成后空闲状态仍然存在,则引擎将开始关闭蜘蛛。蜘蛛完成闭合后, spider_closed 发送信号。

你可以举起 DontCloseSpider 防止蜘蛛关闭的异常。

或者,您也可以引发 CloseSpider 提供自定义爬行器关闭原因的异常。空闲处理程序是放置一些评估最终爬行器结果并相应更新最终关闭原因的代码的理想位置(例如,将其设置为“TOO_LOW_RESULTS”而不是“Finish”)。

此信号不支持从其处理程序返回延迟。

参数

spider (Spider object) -- 空转的蜘蛛

注解

在您的 spider_idle 处理程序 not 确保它可以防止蜘蛛被关闭,尽管有时可以。这是因为如果计划程序拒绝了所有计划的请求(例如,由于重复而被筛选),那么spider可能仍然处于空闲状态。

spider_error

scrapy.signals.spider_error(failure, response, spider)

当spider回调生成错误(即引发异常)时发送。

此信号不支持从其处理程序返回延迟。

参数

请求信号

request_scheduled

scrapy.signals.request_scheduled(request, spider)

在引擎安排 Request ,稍后下载。

此信号不支持从其处理程序返回延迟。

参数
  • request (Request object) -- 到达调度程序的请求

  • spider (Spider object) -- 发出请求的蜘蛛

request_dropped

scrapy.signals.request_dropped(request, spider)

在发生以下情况时发送 Request 由引擎调度稍后下载的数据被调度器拒绝。

此信号不支持从其处理程序返回延迟。

参数
  • request (Request object) -- 到达调度程序的请求

  • spider (Spider object) -- 发出请求的蜘蛛

request_reached_downloader

scrapy.signals.request_reached_downloader(request, spider)

Sent when a Request reached downloader.

此信号不支持从其处理程序返回延迟。

参数
  • request (Request object) -- 到达下载程序的请求

  • spider (Spider object) -- 发出请求的蜘蛛

request_left_downloader

scrapy.signals.request_left_downloader(request, spider)

2.0 新版功能.

在发生以下情况时发送 Request 离开下载程序,即使在出现故障的情况下也是如此。

此信号不支持从其处理程序返回延迟。

参数
  • request (Request object) -- 到达下载程序的请求

  • spider (Spider object) -- 发出请求的蜘蛛

bytes_received

2.2 新版功能.

scrapy.signals.bytes_received(data, request, spider)

当收到特定请求的一组字节时,由http1.1和S3下载处理程序发送。对于同一请求,此信号可能被多次触发,每次都有部分数据。例如,一个25kb响应的可能场景是两个信号用10kb的数据触发,最后一个信号用5kb的数据触发。

此信号的处理程序可以在响应下载正在进行时停止下载,方法是引发 StopDownload 例外情况。请参阅 停止下载响应 主题,了解更多信息和示例。

此信号不支持从其处理程序返回延迟。

参数
  • data (bytes object) -- 下载处理程序接收的数据

  • request (Request object) -- 生成下载的请求

  • spider (Spider object) -- 与响应关联的蜘蛛

headers_received

2.5 新版功能.

scrapy.signals.headers_received(headers, request, spider)

在下载任何附加内容之前,当响应标头可用于给定请求时,由HTTP 1.1和S3下载处理程序发送。

此信号的处理程序可以在响应下载正在进行时停止下载,方法是引发 StopDownload 例外情况。请参阅 停止下载响应 主题,了解更多信息和示例。

此信号不支持从其处理程序返回延迟。

参数
  • headers (scrapy.http.headers.Headers object) -- 下载处理程序接收的标头

  • body_length (int) -- 响应正文的预期大小,以字节为单位

  • request (Request object) -- 生成下载的请求

  • spider (Spider object) -- 与响应关联的蜘蛛

响应信号

response_received

scrapy.signals.response_received(response, request, spider)

当发动机接收到新的 Response 从下载程序。

此信号不支持从其处理程序返回延迟。

参数
  • response (Response object) -- 收到的响应

  • request (Request object) -- 生成响应的请求

  • spider (Spider object) -- 响应所针对的蜘蛛

注解

这个 request 参数可能不包含到达下载程序的原始请求,如果 下载器中间件 修改 Response 对象并设置特定的 request 属性。

response_downloaded

scrapy.signals.response_downloaded(response, request, spider)

由下载者在 HTTPResponse 是下载的。

此信号不支持从其处理程序返回延迟。

参数
  • response (Response object) -- 已下载响应

  • request (Request object) -- 生成响应的请求

  • spider (Spider object) -- 响应所针对的蜘蛛