Django 在 Celery 任务中运行 Scrapy 蜘蛛

好的，这就是我如何让Scrapy在我的Django项目中工作，该项目使用Celery 来排队要爬行的东西.实际的解决方法主要来自位于此处的Joehillen的代码http://snippets.scrapy.org/snippets/13/

首先是tasks.py号文件

from celery import task

@task()
def crawl_domain(domain_pk):
    from crawl import domain_crawl
    return domain_crawl(domain_pk)

那么crawl.py文件

from multiprocessing import Process
from scrapy.crawler import CrawlerProcess
from scrapy.conf import settings
from spider import DomainSpider
from models import Domain

class DomainCrawlerScript():

    def __init__(self):
        self.crawler = CrawlerProcess(settings)
        self.crawler.install()
        self.crawler.configure()

    def _crawl(self, domain_pk):
        domain = Domain.objects.get(
            pk = domain_pk,
        )
        urls = []
        for page in domain.pages.all():
            urls.append(page.url())
        self.crawler.crawl(DomainSpider(urls))
        self.crawler.start()
        self.crawler.stop()

    def crawl(self, domain_pk):
        p = Process(target=self._crawl, args=[domain_pk])
        p.start()
        p.join()

crawler = DomainCrawlerScript()

def domain_crawl(domain_pk):
    crawler.crawl(domain_pk)

这里的诀窍是"来自多处理导入过程"，它绕过了Twisted框架中的"ReactorNotRestartable"问题.因此基本上Celery 任务调用"domain_crawl"函数，该函数反复重用"DomainCrawlerScript"对象，以与你的Scrapy spider接口.(我知道我的示例有点多余，但我之所以这么做，是因为我的设置中使用了多个版本的python[我的django Web服务器实际上使用的是python2.4，我的工作服务器使用的是python2.7])

在我的示例中，"DomainSpider"只是一个修改后的Scrapy Spider，它接受一个URL列表，然后将它们设置为"start_urls".

希望这能有所帮助！