pages - Instalando ScrapyJS-nuevo en python

scrapy to mongodb

Question

Estoy tratando de usar este complemento de scrapy (o lo que es): scrapyjs .

Sin embargo, no hay instrucciones de instalación y soy nuevo en Python. ¿Hay algo básico aquí que me falta? ¿Cómo podría integrar esto con un proyecto de tratamiento?

Nota: preferiría usar el controlador de descargas Scrapy, no la versión de middleware, ya que parece que será más rápido de ejecutar. (Corrígeme si estoy equivocado).

Answer 1

Para agregar a la respuesta de alecxe, para los sistemas Ubuntu / Debian, primero instale las dependencias (webkit, gtk2 y jswebkit)

sudo apt-get install python-jswebkit libwebkitgtk-1.0-0 python-webkit
sudo apt-get install python-gtk2 python-gnome2 python-glade2 python-gobject

Si está trabajando con un virtualenv, tendrá que enlazar simbólicamente las bibliotecas que instaló

mkdir your-venv/lib/python2.7/dist-packages
ln -s /usr/lib/python2.7/dist-packages/gtk-2.0* lib/python2.7/dist-packages/
ln -s /usr/lib/python2.7/dist-packages/pygtk.pth lib/python2.7/dist-packages/
ln -s /usr/lib/python2.7/dist-packages/gobject/ lib/python2.7/dist-packages/
ln -s /usr/lib/python2.7/dist-packages/glib/ lib/python2.7/dist-packages/
ln -s /usr/lib/python2.7/dist-packages/cairo lib/python2.7/dist-packages/
ln -s /usr/lib/python2.7/dist-packages/webkit lib/python2.7/dist-packages/
ln -s /usr/lib/python2.7/dist-packages/jswebkit.so lib/python2.7/dist-packages/

Para usar el método del parche, averigua dónde vive tu enfermedad (si no lo has hecho)

python -c "import scrapy; print scrapy.__file__"

Esto le dará la ubicación del bytecode compilado de __init__.py de __init__.py . Vaya a ese directorio y agregue las siguientes líneas en __init__.py

from twisted.internet import gtk2reactor
gtk2reactor.install()

Answer 2

Como scrapyjs no es un paquete python regular y no está registrado en PyPI , primero debe clonar el repositorio y mover el paquete scrapyjs en PYTHONPATH o en el directorio de proyecto de scrapy (hacer que sea "importable").

Hay dos opciones para integrarlo con Scrapy :

• scrapy para usar el reactor gtk2

• agregar un nuevo middleware en la configuración :

  DOWNLOADER_MIDDLEWARES = {
      ''scrapyjs.middleware.WebkitDownloader'': 1,
  }

Este último es mucho más fácil y más limpio, pero afectaría seriamente el rendimiento ya que cada solicitud se manejaría en un modo de bloqueo.