Python 爬虫七 Scrapy

Scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

 

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

 

 

Scrapy主要包括了以下组件：

• 引擎(Scrapy)
  用来处理整个系统的数据流处理, 触发事务(框架核心)
• 调度器(Scheduler)
  用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
• 下载器(Downloader)
  用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
• 爬虫(Spiders)
  爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
• 项目管道(Pipeline)
  负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
• 下载器中间件(Downloader Middlewares)
  位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 爬虫中间件(Spider Middlewares)
  介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middewares)
  介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

 

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

 

一、安装 

Linux：

pip3 install scrapy

Windows:

      a. pip3 install wheel
      b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
      c. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl
      d. pip3 install scrapy
      e. 下载并安装pywin32：https://sourceforge.net/projects/pywin32/files/

 

二、基本使用

1、创建项目

scrapy startproject 项目名称
    - 在当前目录中创建中创建一个项目文件（类似于Django）

scrapy genspider [-t template] <name> <domain>
    - 穿件爬虫应用
    如：scrapy gensipider -t basic oldboy oldboy.com
          scrapy gensipider -t xmlfeed autohome autohome.com.cn

查看所有命令：scrapy gensipider -l
查看模板命令：scrapy gensipider -d 模板名称

scrapy list
    - 展示爬虫应用列表

scrapy crawl 爬虫应用名称
    - 运行单独爬虫应用

创建实例：

创建项目
shuais-MacBook-Pro:~ dandyzhang$ scrapy startproject scrapy_test

New Scrapy project 'scrapy_test', using template directory '/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages/scrapy/templates/project', created in:
    /Users/dandyzhang/scrapy_test

You can start your first spider with:
    cd scrapy_test
    scrapy genspider example example.com


进入创建的项目
shuais-MacBook-Pro:~ dandyzhang$ cd scrapy_test/

创建爬虫应用1
shuais-MacBook-Pro:scrapy_test dandyzhang$ scrapy genspider chouti chouti.com

Created spider 'chouti' using template 'basic' in module:
  scrapy_test.spiders.chouti

创建爬虫应用2
shuais-MacBook-Pro:scrapy_test dandyzhang$ scrapy genspider cnblogs cnblogs.com
Created spider 'cnblogs' using template 'basic' in module:
  scrapy_test.spiders.cnblogs

 

2、项目结构以及爬虫应用简介

上面的实例，创建好了一个完整的项目：

文件说明：

• scrapy.cfg  项目的主配置信息。（真正爬虫相关的配置信息在settings.py文件中）
• items.py    设置数据存储模板，用于结构化数据，如：Django的Model
• pipelines    数据处理行为，如：一般结构化的数据持久化
• settings.py 配置文件，如：递归的层数、并发数，延迟下载等
• spiders      爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名 

此时，发现之前根据命令创建了2个应用都存储在spiders文件夹内，现在以其中的chouti为例，来撰写第一个爬虫

import scrapy


class ChoutiSpider(scrapy.Spider):
    name = 'chouti'  # 外部scrapy调用的爬虫应用名称
    allowed_domains = ['chouti.com']  # 允许的域名
    start_urls = ['http://dig.chouti.com/']  # 起始url

    def parse(self, response):  # 访问起始url并获取结果后的回调函数
        print(response.text)  # response就是返回结果

查看结果：

 

如果是window用户可能会遇到编码问题：

import sys,os
sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')

 

3、小试牛刀

如上，需要在抽屉网中抓去热榜的所有标题，图中的框已经标好，从content-list入手，抓取每一个item中class为part2的share-title

class ChoutiSpider(scrapy.Spider):
    name = 'chouti'
    allowed_domains = ['chouti.com']
    start_urls = ['http://dig.chouti.com/']

    def parse(self, response):
        """
        1.获取想要的内容
        2.如果分页，继续下载内容

        :param response:
        :return:
        """
        # 获取当前页的内容
        item_list = Selector(response=response).xpath('//div[@>)
        # /子标签
        # //起始位置时，是在全局进行查找；非起始位置是在当前标签的子子孙孙内部找
        # ./当前对象下面找

        # 获取index为0的对象中的第一个满足条件的文本
        # obj = item_list[0].xpath('./div[@class="news-content"]//div[@class="part2"]/@share-title').extract_first()
        obj_list = item_list.xpath('./div[@class="news-content"]//div[@class="part2"]/@share-title').extract()
        print(obj_list)  # 获取的结果是列表

如果抓取的是标签的内容而不是属性的话：

obj = item_list[0].xpath('./div[@class="news-content"]//div[@class="show-content"]/text()').extract()

执行命令：

shuais-MacBook-Pro:scrapy_test dandyzhang$ scrapy crawl chouti --nolog

结果：

此时，如果分页内的也需要抓取呢？

首先，先获取以下分页内部的url：

import scrapy
from scrapy.selector import Selector, HtmlXPathSelector
from scrapy.http import Request


class ChoutiSpider(scrapy.Spider):
    name = 'chouti'
    allowed_domains = ['chouti.com']
    start_urls = ['http://dig.chouti.com/']

    def parse(self, response):
        """
        1.获取想要的内容
        2.如果分页，继续下载内容

        :param response:
        :return:
        """
        url_list = Selector(response=response).xpath('//div[@>).extract()
        print(url_list)

运行结果：

shuais-MacBook-Pro:scrapy_test dandyzhang$ scrapy crawl chouti --nolog
['/all/hot/recent/2', '/all/hot/recent/3', '/all/hot/recent/4', '/all/hot/recent/5', '/all/hot/recent/6', '/all/hot/recent/7', '/all/hot/recent/8', '/all/hot/recent/9', '/all/hot/recent/10', '/all/hot/recent/2']

此时需要先拼接url，然后抓取数据：

# -*- coding: utf-8 -*-
import scrapy
from scrapy.selector import Selector, HtmlXPathSelector
from scrapy.http import Request  # 这里导入了一个Request，用来迭代


class ChoutiSpider(scrapy.Spider):
    name = 'chouti'
    allowed_domains = ['chouti.com']
    start_urls = ['http://dig.chouti.com/']

    def parse(self, response):
        """
        1.获取想要的内容
        2.如果分页，继续下载内容

        :param response:
        :return:
        """
        item_list = Selector(response=response).xpath('//div[@>)

        obj_list = item_list.xpath('./div[@class="news-content"]//div[@class="part2"]/@share-title').extract()
        print(obj_list)

        url_list = Selector(response=response).xpath('//div[@>).extract()
        for url in url_list:
            url = 'http://dig.chouti.com' + url
            yield Request(url=url)  # 迭代处理

这里可以在settings配置文件内设置下钻的深度：

DEPTH_LIMIT = 2

可以发现产生来了多个列表文件：

a、Request是一个封装用户请求的类，在回调函数中yield该对象表示继续访问

b、HtmlXpathSelector用于结构化HTML代码并提供选择器功能

 

 

4、选择器

from scrapy.selector import Selector, HtmlXPathSelector  # 一个是新版本，一个是旧版本，后面会被取消
from scrapy.http import HtmlResponse

html = """<!DOCTYPE html>
<html>
    <head lang="en">
        <meta charset="UTF-8">
        <title></title>
    </head>
    <body>
        <ul>
            <li class="item-"><a id='i1' href="link.html">first item</a></li>
            <li class="item-0"><a id='i2' href="llink.html">first item</a></li>
            <li class="item-1"><a href="llink2.html">second item<span>vv</span></a></li>
        </ul>
        <div><a href="llink2.html">second item</a></div>
    </body>
</html>
"""
response = HtmlResponse(url='http://example.com', body=html, encoding='utf-8')
# hxs = HtmlXPathSelector(response)  # 对象
# print(hxs)
# hxs = Selector(response=response).xpath('//a')  # 取全局内所有a标签
# print(hxs)
# hxs = Selector(response=response).xpath('//a[2]')  # 取全局内index为2的a标签
# print(hxs)
# hxs = Selector(response=response).xpath('//a[@id]')  # 取全局所有有id属性的a标签
# print(hxs)
# hxs = Selector(response=response).xpath('//a[@>
# print(hxs)
# hxs = Selector(response=response).xpath('//a[@href="link.html"][@>
# print(hxs)
# hxs = Selector(response=response).xpath('//a[contains(@href, "link")]')  # 取全局所有href有link字符串的a标签
# print(hxs)
# hxs = Selector(response=response).xpath('//a[starts-with(@href, "link")]')  # 取全局所有href以link字符串开头的a标签
# print(hxs)
# hxs = Selector(response=response).xpath('//a[re:test(@id, "i\d+")]')  # 正则 取全局所有a标签，id属性是i+数字的
# print(hxs)
# hxs = Selector(response=response).xpath('//a[re:test(@id, "i\d+")]/text()').extract()  # 正则 取全局所有a标签，id属性是i+数字的 内部的值
# print(hxs)
# hxs = Selector(response=response).xpath('//a[re:test(@id, "i\d+")]/@href').extract()  # 正则 取全局所有a标签，id属性是i+数字的 href属性值
# print(hxs)
# hxs = Selector(response=response).xpath('/html/body/ul/li/a/@href').extract()
# print(hxs)
# hxs = Selector(response=response).xpath('//body/ul/li/a/@href').extract_first()
# print(hxs)

# ul_list = Selector(response=response).xpath('//body/ul/li')
# for item in ul_list:
#     v = item.xpath('./a/span')
#     # 或
#     # v = item.xpath('a/span')
#     # 或
#     # v = item.xpath('*/a/span')
#     print(v)

抽屉点赞：

import scrapy
from scrapy.selector import HtmlXPathSelector
from scrapy.http.request import Request
from scrapy.http.cookies import CookieJar
from scrapy import FormRequest


class ChouTiSpider(scrapy.Spider):
    # 爬虫应用的名称，通过此名称启动爬虫命令
    name = "chouti"
    # 允许的域名
    allowed_domains = ["chouti.com"]

    cookie_dict = {}
    has_request_set = {}  # 发送过请求的集合

    def start_requests(self):  # 继承Spider，Spider内部先执行的是start_requests方法
        url = 'http://dig.chouti.com/'
        # return [Request(url=url, callback=self.login)]
        yield Request(url=url, callback=self.login)  # 爬取网页，指定回调函数；其实Request默认的callback是parse，
        # 这也解释了为什么新建的爬虫应用内部都是def parse(self, response):方法。可以像这样重写start_requests方法，指定callback

    def login(self, response):
        cookie_jar = CookieJar()
        cookie_jar.extract_cookies(response, response.request)
        for k, v in cookie_jar._cookies.items():
            for i, j in v.items():
                for m, n in j.items():
                    self.cookie_dict[m] = n.value

        req = Request(
            url='http://dig.chouti.com/login',
            method='POST',
            headers={'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8'},
            body='phone=8615131255089&password=pppppppp&oneMonth=1',
            cookies=self.cookie_dict,
            callback=self.check_login  # 指定回调函数
        )
        yield req

    def check_login(self, response):
        req = Request(
            url='http://dig.chouti.com/',
            method='GET',
            callback=self.show,  # 定义callback
            cookies=self.cookie_dict,
            dont_filter=True  # 不被去重过滤
        )
        yield req

    def show(self, response):
        # print(response)
        hxs = HtmlXPathSelector(response)  # 实例化标签对象
        news_list = hxs.select('//div[@>)
        for new in news_list:
            # temp = new.xpath('div/div[@class="part2"]/@share-linkid').extract()
            link_id = new.xpath('*/div[@class="part2"]/@share-linkid').extract_first()  # 获取id
            yield Request(  # 点赞
                url='http://dig.chouti.com/link/vote?linksId=%s' %(link_id,),
                method='POST',
                cookies=self.cookie_dict,
                callback=self.do_favor
            )
        # 获取分页的网址
        page_list = hxs.select('//div[@>).extract()
        for page in page_list:

            page_url = 'http://dig.chouti.com%s' % page
            import hashlib
            hash = hashlib.md5()
            hash.update(bytes(page_url,encoding='utf-8'))
            key = hash.hexdigest()
            if key in self.has_request_set:  # 加密key请求在已请求的列表中，则pass
                pass
            else:  # 如果没有发送请求，继续发送
                self.has_request_set[key] = page_url
                yield Request(
                    url=page_url,
                    method='GET',
                    callback=self.show
                )

    def do_favor(self, response):
        print(response.text)  # 打印以下点赞之后的返回值

 

处理Cookie：

import scrapy
from scrapy.http.response.html import HtmlResponse
from scrapy.http import Request
from scrapy.http.cookies import CookieJar


class ChoutiSpider(scrapy.Spider):
    name = "chouti"
    allowed_domains = ["chouti.com"]
    start_urls = (
        'http://www.chouti.com/',
    )

    def start_requests(self):
        url = 'http://dig.chouti.com/'
        yield Request(url=url, callback=self.login, meta={'cookiejar': True})  # 如此设置cookiejar，可以自动获取cookie

    def login(self, response):
        print(response.headers.getlist('Set-Cookie'))
        req = Request(
            url='http://dig.chouti.com/login',
            method='POST',
            headers={'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8'},
            body='phone=8613121758648&password=woshiniba&oneMonth=1',
            callback=self.check_login,
            meta={'cookiejar': True}
        )
        yield req

    def check_login(self, response):
        print(response.text)

注意：settings.py中设置DEPTH_LIMIT = 1来指定“递归”的层数。

 

这里对于上面的代码简单解释下，基础流程：

首先最初创建的爬虫应用的源码：继承了Spider类，该类内部有一个start_requests方法，这是爬虫执行的起始函数，如果start_urls不为空，爬取此url。即上图的yield Request(url, dont_filter=True)、这也可以解释为什么继续爬取分页的url时，写的是yield  Request(url)。此时大家也许不明白，即start_urls不为空，为什么会执行parse函数呢？其实在开始执行的yield Request中有一个默认参数是callback=parse，所以初始化的爬虫应用的流程就一目了然了。

现在解释下点赞的爬虫，前面提到继承了Spider类，第一个执行的是start_requests，此时既然继承了父类Spider，就可以对此类进行重写，已经知道了其实位置是start_requests，毫无疑问重写此方法，内部指定url（外部的start_urls删除），执行爬虫则调用Request方法，指定callback函数，这样根据callback也就形成了一个串行爬虫链。另外要提到的一点yield都知道是一个生成器，在Scrapy内部，spider内部调度yield Request只是其中的一部分，用来爬虫。另外一部分也是通过yield调用来做持久化的，即对于爬取的数据的处理跟保存。下面会讲到这部分，这里先提一下。

 

5、格式化处理

之前的实例只是一些简单的处理，所以在parse方法中直接处理。如果想要获取更多的数据处理，则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。

回到最原始的parse代码，抓取以下热榜标题跟链接

chouti.py

import scrapy
from scrapy.selector import HtmlXPathSelector, Selector
from ..items import ScrapyTestItem

class ChoutiSpider(scrapy.Spider):
    name = 'chouti'
    allowed_domains = ['chouti.com']
    start_urls = ['http://dig.chouti.com/']

    def parse(self, response):
        item_list = Selector(response=response).xpath('//div[@>)

        for item in item_list:
            t = item.xpath('./div[@class="news-content"]//div[@class="part1"]/a/text()').extract()
            h = item.xpath('./div[@class="news-content"]//div[@class="part1"]/a/@href').extract()
            item_obj = ScrapyTestItem(title=t, href=h)   # 调用Item
            yield item_obj  # 这里指向了另一个调度器，持久化调度器

items.py

import scrapy


class ScrapyTestItem(scrapy.Item):
    # define the fields for your item here like: 定义要抓取保存的字段
    title = scrapy.Field()
    href = scrapy.Field()

pipelines.py

class ScrapyTestPipeline(object):
    def process_item(self, item, spider):
        print(item, spider)
        return item

这里需要注意的是跟Django一样，需要注册以下：

在settings文件里面找到下面这段话，去掉注释，其中300代表优先级，稍后进行这个数字的测试。

ITEM_PIPELINES = {
   'scrapy_test.pipelines.ScrapyTestPipeline': 300,
}

此时执行爬虫：

语法没写好，抓到2个href了，不要在意这些细节。

此时，了解了yield的另一个功能，当yield Item_obj是就会调度pipelines进行持久化，当然上面我们只是打印了以下结果，可以看到item对应的是字段，spider是爬虫应用函数方法。

所以对于不同的要求可以直接在pipelines里面写到：

class ScrapyTestPipeline1(object):
    def process_item(self, item, spider):
        print('step 1 输出到屏幕')
        return item


class ScrapyTestPipeline2(object):
    def process_item(self, item, spider):
        print('step 2 保存到文件')
        return item


class ScrapyTestPipeline3(object):
    def process_item(self, item, spider):
        print('step 3 保存到数据库')
        return item

注册以下：

ITEM_PIPELINES = {
    'scrapy_test.pipelines.ScrapyTestPipeline1': 100,
    'scrapy_test.pipelines.ScrapyTestPipeline2': 200,
    'scrapy_test.pipelines.ScrapyTestPipeline3': 300,
}

执行结果、注意顺序

假设step3的类没有注册，就只会执行step1 & step2。

那么、如果想在执行到某一个pipeline类终止怎么办？

from scrapy.exceptions import DropItem  # 导入DropItem

class ScrapyTestPipeline1(object):
    def process_item(self, item, spider):
        print('step 1 输出到屏幕')
        raise DropItem()


class ScrapyTestPipeline2(object):
    def process_item(self, item, spider):
        print('step 2 保存到文件')
        return item


class ScrapyTestPipeline3(object):
    def process_item(self, item, spider):
        print('step 3 保存到数据库')
        return item

那spider参数是干嘛用的呢？

假设，抓取的name是chouti的时候，不让其继续执行后续的：

from scrapy.exceptions import DropItem


class ScrapyTestPipeline1(object):
    def process_item(self, item, spider):
        print('step 1 输出到屏幕')
        if spider.name == 'chouti':
            raise DropItem()
        return item

class ScrapyTestPipeline2(object):
    def process_item(self, item, spider):
        print('step 2 保存到文件')
        return item


class ScrapyTestPipeline3(object):
    def process_item(self, item, spider):
        print('step 3 保存到数据库')
        return item

pipelines更多：

假设需要将数据写入文件，首先想到的方法一定是

class ScrapyTestPipeline(object):
    def process_item(self, item, spider):
        with open('***', 'a+') as f:
            f.write('***')
        print('step 2 保存到文件')
        return item

但是这样会在一次爬虫中频繁的打开文件，浪费IO

此时引入另外的方法

from scrapy.exceptions import DropItem

class CustomPipeline(object):
    def __init__(self,v):  # v就是类方法返回的参数val
        self.value = v
        print(self.value)

    def process_item(self, item, spider):
        # 操作并进行持久化

        # return表示会被后续的pipeline继续处理
        print('****操作****')
        return item

        # 表示将item丢弃，不会被后续pipeline处理
        # raise DropItem()


    @classmethod
    def from_crawler(cls, crawler):
        """
        初始化时候，用于创建pipeline对象
        :param crawler: 
        :return: 
        """
        val = crawler.settings.get('MYPATH')  # 类方法获取配置文件参数
        print(val)
        return cls(val)

    def open_spider(self,spider):
        """
        爬虫开始执行时，调用
        :param spider: 
        :return: 
        """
        print('000000')

    def close_spider(self,spider):
        """
        爬虫关闭时，被调用
        :param spider: 
        :return: 
        """
        print('111111')

此时在setting中配置以下文件地址就可以了：

MYPATH = '***path***'

settings参数必须全部大写，小写测试失败，未抓取到。

执行结果

所以以后，可以在from_crawler里面通过参数定义文件名，setting文件设置文件路径，然后打开文件，中间对文件句柄进行追加，一次打开，一次关闭，避免重复操作。

 

 

6、中间件

自动化里面Django blog其实已经讲过了中间件的一个大致流程，其实在scrapy中中间件的核心依然是同样的。

上图是Django中中间件的一个基本概念图，而在scrapy中则是：

爬虫中间件

class SpiderMiddleware(object):

    def process_spider_input(self,response, spider):
        """
        下载完成，执行，然后交给parse处理（默认有start_urls时，parse时默认的callback函数）
        :param response: 
        :param spider: 
        :return: 
        """
        pass

    def process_spider_output(self,response, result, spider):
        """
        spider处理完成，返回时调用
        :param response:
        :param result:
        :param spider:
        :return: 必须返回包含 Request 或 Item 对象的可迭代对象(iterable)
        """
        return result

    def process_spider_exception(self,response, exception, spider):
        """
        异常调用
        :param response:
        :param exception:
        :param spider:
        :return: None,继续交给后续中间件处理异常；含 Response 或 Item 的可迭代对象(iterable)，交给调度器或pipeline
        """
        return None


    def process_start_requests(self,start_requests, spider):
        """
        爬虫启动时调用
        :param start_requests:
        :param spider:
        :return: 包含 Request 对象的可迭代对象、丢给调度器分配下载或者是解析文本
        """
        return start_requests

首先爬虫引擎启动全局，到spider的start_urls抓取数据返回start_request，放到任务调度器里面,下载器去任务调度器抓取任务执行。

 

 

下载器中间件

class DownMiddleware1(object):
    def process_request(self, request, spider):
        """
        请求需要被下载时，经过所有下载器中间件的process_request调用
        :param request: 
        :param spider: 
        :return:  
            None,继续后续中间件去下载；
            Response对象，停止process_request的执行，开始执行process_response
            Request对象，停止中间件的执行，将Request重新调度器
            raise IgnoreRequest异常，停止process_request的执行，开始执行process_exception
        """
        pass



    def process_response(self, request, response, spider):
        """
        spider处理完成，返回时调用
        :param response:
        :param result:
        :param spider:
        :return: 
            Response 对象：转交给其他中间件process_response
            Request 对象：停止中间件，request会被重新调度下载
            raise IgnoreRequest 异常：调用Request.errback
        """
        print('response1')
        return response

    def process_exception(self, request, exception, spider):
        """
        当下载处理器(download handler)或 process_request() (下载中间件)抛出异常
        :param response:
        :param exception:
        :param spider:
        :return: 
            None：继续交给后续中间件处理异常；
            Response对象：停止后续process_exception方法
            Request对象：停止中间件，request将会被重新调用下载
        """
        return None

 

7、自定制命令

a、在spiders同级创建任意目录，如：commands

b、在其中创建 crawlall.py 文件 （此处文件名就是自定义的命令）-- 如果创建多个文件，其实是相当于创建了多个命令

from scrapy.commands import ScrapyCommand
from scrapy.utils.project import get_project_settings


    class Command(ScrapyCommand):

        requires_project = True

        def syntax(self):
            return '[options]'

        def short_desc(self):
            return 'Runs all of the spiders'

        def run(self, args, opts):
            spider_list = self.crawler_process.spiders.list()  # 去spiders文件夹下获取所有的爬虫文件
            for name in spider_list:
                self.crawler_process.crawl(name, **opts.__dict__)  # 为所有的爬虫创建任务
            self.crawler_process.start()  # 并发的开始执行

crawlall.py