推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 2291 天前的主题，其中的信息可能已经有所发展或是发生改变。
目前需要：
有 1000+以上的网站需要爬，并且经常要增加减少。有部分网站是通用类型，直接通过摘要提取 html 内容，不用 xpath。部分需要自写 xpath 提取。不需要分布式。
抓取的只要标题，内容，图片。
对 scrapy 刚接触，网上搜索下，有以下方式：
1.自定义项目命令
2.process.crawl 方式
3.Scrapyd 方式
现在个人想法是
所有网站都用一个 scrapy 来做，通用 items，每一个网站写一个 spider 蜘蛛，通用的网站用一个 spider。
问题：
1.是否 scrapy 适应以上任务。
2.如果合适，怎么样的项目方案合适？同时要启动多个 spider，怎么样方式合理？
谢谢
有 1000+以上的网站需要爬，并且经常要增加减少。有部分网站是通用类型，直接通过摘要提取 html 内容，不用 xpath。部分需要自写 xpath 提取。不需要分布式。
抓取的只要标题，内容，图片。
对 scrapy 刚接触，网上搜索下，有以下方式：
1.自定义项目命令
2.process.crawl 方式
3.Scrapyd 方式
现在个人想法是
所有网站都用一个 scrapy 来做，通用 items，每一个网站写一个 spider 蜘蛛，通用的网站用一个 spider。
问题：
1.是否 scrapy 适应以上任务。
2.如果合适，怎么样的项目方案合适？同时要启动多个 spider，怎么样方式合理？
谢谢
 |
1
simonliu2018 2018-09-17 10:38:23 +08:00
>有 1000+以上的网站需要爬，并且经常要增加减少
把这些网址存在数据库里，定期重启 spider 来加载到 start requests 里 >有部分网站是通用类型，部分需要自写 xpath 提取 自定义几个 middleware 区分不同的业务；也可以写不同的 spider >同时要启动多个 spider 我之前是写一个小工具来生成多个 spider 启动脚本，用 daemontools 管理这些脚本 |
 |
2
raysmond 2018-09-17 12:16:22 +08:00
scrapy-redis 了解一下，spider 常驻了，start_urls 放在了 redis 里，需要抓取时塞进去
|
 |
3
lixuda OP @simonliu2018 好的，谢谢
|
|
5
lixuda OP @simonliu2018 感谢，另外通用型的网站 LinkExtractor 要增加，其他都是一样
|
Select Language