当新文件到达 S3 时，触发 luigi 任务

Question

我有一个存储桶，其中包含根据创建时间随机添加键的新对象。例如：

's3://my-bucket/mass/%s/%s/%s/%s/%s_%s.csv' % (time.strftime('%Y'), time.strftime('%m'), time.strftime('%d'), time.strftime('%H'), name, the_time)

事实上，这些都是 Scrapy 爬取的输出。我想触发一个将这些爬网与我拥有的主 .csv 产品目录文件（称为“product_catalog.csv”）相匹配的任务，该文件也会定期更新。

现在，我用全局变量编写了几个 Python 脚本，每次运行此过程时都会填写这些变量。这些需要成为导入的属性。

所以这就是需要发生的事情：

1) 新的 csv 文件显示在“s3://my-bucket/mass/...”中，具有基于抓取完成时间的唯一键名。路易吉看到了这一点并开始了。
2) “cleaning.py”由 luigi 在新文件上运行，因此“cleaning.py”的参数（在 S3 中显示的文件）需要在运行时提供给它。除了传递到下一步之外，结果还会保存在 S3 中。
3) 从数据库中提取最新版本的“product_catalog.csv”，并在“matching.py”中使用“cleaning.py”的结果

我意识到这可能并不完全合理。我将根据需要提供编辑以使其更加清晰。

编辑

根据最初的答案，我已将其配置为一个拉动操作，可在此过程中节省步骤。但现在我很迷茫。应该注意的是，这是我第一次将 Python 项目捆绑在一起，所以我在做这件事时正在学习包括 init.py 之类的东西。像往常一样，这是一条崎岖不平的道路，成功后的兴奋紧随其后的是下一个障碍的困惑。

这是我的问题：
1）我不清楚如何从 Scrapy 导入蜘蛛。我有大约十几个，目标是让 luigi 管理所有这些的抓取>清理>匹配的过程。 Scrapy 文档说包括：

class MySpider(scrapy.Spider):
    # Your spider definition

这是什么意思？在控制蜘蛛的脚本中重新编写蜘蛛？这是没有意义的，他们的例子也没有帮助。

2) 我已将 Scrapy 管道配置为导出到 S3，但 luigi 似乎也使用 output() 来执行此操作。我应该使用哪个以及如何让它们一起玩？

3) Luigi 说 CrawlTask​​() 运行成功，但这是错误的，因为它在几秒钟内完成，而爬网通常需要几分钟。也没有对应成功的输出文件。

4) 我在哪里提供 S3 的凭据？

这是我的代码。我已经注释掉了那些不能代替我认为更好的东西。但我的感觉是，我想做的事情有一个宏伟的架构，我还不明白。

import luigi
from luigi.s3 import S3Target, S3Client
import my_matching
from datetime import datetime
import os
import scrapy
from twisted.internet import reactor
from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings
from my_crawlers.my_crawlers.spiders import my_spider

class CrawlTask(luigi.Task):
    crawltime = datetime.now()
    spider = luigi.Parameter()
    #vertical = luigi.Parameter()

    def requires(self):
        pass

    def output(self):
        return luigi.LocalTarget("actual_data_staging/crawl_luigi_test_{}.csv".format(self.crawltime))
        #return S3Target("s3://my-bucket/mass/crawl_luigi_test_{}.csv".format(self.crawltime))

    def run(self):
        os.system("scrapy crawl %s" % self.spider)
        #process = CrawlerProcess(get_project_settings())
        #process.crawl("%s" % self.spider)
        #process.start()

class FetchPC(luigi.Task):
    vertical = luigi.Parameter()

    def output(self):
        if self.vertical == "product1":
            return "actual_data_staging/product1_catalog.csv"
        elif self.vertical == "product2":
            return "actual_data_staging/product2_catalog.csv"

class MatchTask(luigi.Task):
    crawltime = CrawlTask.crawltime
    vertical = luigi.Parameter()
    spider = luigi.Parameter()

    def requires(self):
        return CrawlTask(spider=self.spider)
        return FetchPC(vertical=self.vertical)

    def output(self):
        return luigi.LocalTarget("actual_data_staging/crawl_luigi_test_matched_{}.csv".format(self.crawltime))
        #return S3Target("s3://my-bucket/mass/crawl_luigi_test_matched_{}.csv".format(CrawlTask.crawltime))

    def run(self):
        if self.vertical == 'product1':
            switch_board(requires.CrawlTask(), requires.FetchPC())

MatchTask 指的是我编写的一个 python 脚本，它将抓取的产品与我的产品目录进行比较。它看起来像这样：

def create_search(value):
...
def clean_column(column):
...
def color_false_positive():
...
def switch_board(scrape, product_catalog):
# this function coordinates the whole script

Answer 1

下面是一个非常粗略的外观轮廓。我认为关于 luigi 作为拉系统工作的主要区别在于，您首先指定所需的输出，然后触发该输出所依赖的其他任务。因此，与其在爬网结束时命名事物，不如在开始时就知道的事物命名事物更容易。也可以用另一种方式来做，只是增加了很多不必要的复杂性。

class CrawlTask(luigi.Task):
    crawltime = luigi.DateParameter()

    def requires(self):
        pass

    def get_filename(self):
        return "s3://my-bucket/crawl_{}.csv".format(self.crawltime)

    def output(self):
        return S3Target(self.get_filename())

    def run(self):
        perform_crawl(s3_filename=self.get_filename())


class CleanTask(luigi.Task):
    crawltime = luigi.DateParameter()

    def requires(self):
        return CrawlTask(crawltime=self.crawltime)

    def get_filename(self):
        return "s3://my-bucket/clean_crawl_{}.csv".format(self.crawltime)

    def output(self):
        return S3Target(self.get_filename())

    def run(self):
        perform_clean(input_file=self.input().path, output_filename=self.get_filename())


class MatchTask(luigi.Task):
    crawltime = luigi.DateParameter()

    def requires(self):
        return CleanTask(crawltime=self.crawltime)

    def output(self):
        return ##?? whatever output of this task is

    def run(self):
        perform_match(input_file=self.input().path)

Answer 2

您可以做的是创建一个更大的系统来封装您的抓取和处理。这样您就不必检查 s3 是否有新对象。我以前没用过 luigi，但也许你可以把你的scrapy 工作变成一个任务，完成后做你的处理任务。无论如何，我认为“检查” s3 是否有新东西不是一个好主意，因为 1. 您将不得不使用大量 API 调用，以及 2. 您需要编写一堆代码来检查某些东西是否“新” ' 与否，这可能会变得多毛。