Я пытаюсь запустить scrapy spider из AWS Lambda. Вот как выглядит мой текущий скрипт, который очищает тестовые данные.
import boto3
import scrapy
from scrapy.crawler import CrawlerProcess
s3 = boto3.client('s3')
BUCKET = 'sample-bucket'
class BookSpider(scrapy.Spider):
name = 'bookspider'
start_urls = [
'http://books.toscrape.com/'
]
def parse(self, response):
for link in response.xpath('//article[@class = "product_pod"]/div/a/@href').extract():
yield response.follow(link, callback=self.parse_detail)
next_page = response.xpath('//li[@class = "next"]/a/@href').extract_first()
if next_page:
yield response.follow(next_page, callback=self.parse)
def parse_detail(self, response):
title = response.xpath('//div[contains(@class, "product_main")]/h1/text()').extract_first()
price = response.xpath('//div[contains(@class, "product_main")]/'
'p[@class = "price_color"]/text()').extract_first()
availability = response.xpath('//div[contains(@class, "product_main")]/'
'p[contains(@class, "availability")]/text()').extract()
availability = ''.join(availability).strip()
upc = response.xpath('//th[contains(text(), "UPC")]/'
'following-sibling::td/text()').extract_first()
yield {
'title': title,
'price': price,
'availability': availability,
'upc': upc
}
def main(event, context):
process = CrawlerProcess({
'USER_AGENT': 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
'FEED_FORMAT': 'json',
'FEED_URI': 'result.json'
})
process.crawl(BookSpider)
process.start() # the script will block here until the crawling is finished
data = open('result.json', 'rb')
s3.put_object(Bucket = BUCKET, Key='result.json', Body=data)
print('All done.')
if __name__ == "__main__":
main('', '')
Сначала я локально протестировал этот сценарий, и он работал в обычном режиме, очищая данные и сохраняя их в «results.json», а затем загружая их в свою корзину S3.
Затем я настроил свою функцию AWS Lambda, следуя руководству здесь: https://serverless.com/blog/serverless-python-packaging/, и она успешно импортирует библиотеку Scrapy в AWS Lambda для выполнения.
Однако, когда скрипт запускается на AWS Lambda, он не очищает данные и просто выдает ошибку для results.json не существует.
Будем очень признательны всем, кто настроил запуск Scrapy или имеет обходной путь или может указать мне правильное направление.
Спасибо.





Просто наткнулся на это, когда искал что-то еще, но не в моей голове ...
Лямбды предоставляют временное хранилище в / tmp, поэтому я бы предложил установить
'FEED_URI': '/tmp/result.json'
А потом
data = open('/tmp/result.json', 'rb')
Вероятно, существуют всевозможные передовые методы использования временного хранилища в лямбдах, поэтому я предлагаю потратить немного времени на их изучение.