Scrapy 教程

original icon
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://www.knowledgedict.com/tutorial/scrapy-shell.html

Scrapy Shell


Scrapy shell 可用于抓取数据并提示错误代码,而无需使用蜘蛛。 Scrapy shell的主要目的是测试所提取的代码,XPath或CSS表达式。它还用来从中指定刮取数据的网页。

配置Shell

shell 可以通过安装 IPython(用于交互式计算)控制台,它是强大的交互式的Shell,提供自动完成,彩色输出等功能。

如果您在UNIX平台上工作,那么最好安装 IPython。 如果有IPython的无法访问,您也可以使用bpython

您可以通过设置 SCRAPY_PYTHON_SHELL 环境变量或者在 scrapy.cfg 文件中定义配置 Shell,如下图所示:
[settings]
shell = bpython

启动Shell

Scrapy shell 可以用下面的命令来启动:
scrapy shell <url>
url 是指定为需要进行数据抓取的URL

使用Shell

shell提供一些附加快捷方式和Scrapy对象,如下所述:

可用快捷方式

shell提供可在项目中使用的快捷方式如下:
S.N
快捷方式和说明
1 shelp()
它提供了可用对象和快捷方式的帮助选项
2 fetch(request_or_url)
它会从请求或URL的响应收集相关对象可能的更新
3 view(response)
可以在本地浏览器查看特定请求的响应,观察和正确显示外部链接,追加基本标签到响应正文。

可用Scrapy对象

shell在项目中提供以下可用Scrapy对象:
S.N.
对象和说明
1 crawler
它指定当前爬行对象
2 spider
如果对于当前网址没有蜘蛛,那么它将通过定义新的蜘蛛处理URL或蜘蛛对象
3 request
它指定了最后采集页面请求对象
4 response
它指定了最后采集页面响应对象
5 settings
它提供当前Scrapy设置

Shell会话示例

让我们试着刮取 scrapy.org 网站,然后开始从 yiibai.com 抓取数据,如下所述:
在继续之前,我们将首先启动shell,执行如下面的命令:
scrapy shell 'http://scrapy.org' --nolog
当使用上面的URL,Scrapy将显示可用的对象:
[s] Available Scrapy objects:
[s]   crawler    
[s]   item       {}
[s]   request    
[s]   response   <200 http://scrapy.org>
[s]   settings   
[s]   spider     
[s] Useful shortcuts:
[s]   shelp()           Provides available objects and shortcuts with help option
[s]   fetch(req_or_url) Collects the response from the request or URL and associated objects will get update
[s]   view(response)    View the response for the given request
接着,对象的工作开始,如下所示:
>> response.xpath('//title/text()').extract_first()
u'Scrapy | A Fast and Powerful Scraping and Web Crawling Framework'

>> fetch("http://reddit.com")
[s] Available Scrapy objects:
[s]   crawler    
[s]   item       {}
[s]   request    
[s]   response   <200 https://www.yiibai.com/>
[s]   settings   
[s]   spider     
[s] Useful shortcuts:
[s]   shelp()           Shell help (print this help)
[s]   fetch(req_or_url) Fetch request (or URL) and update local objects
[s]   view(response)    View response in a browser

>> response.xpath('//title/text()').extract()
[u'reddit: the front page of the internet']

>> request = request.replace(method="POST")

>> fetch(request)
[s] Available Scrapy objects:
[s]   crawler    
...

从Spider检查响应调用Shell

您可以检查它是由蜘蛛处理的响应,只有期望得到的响应。
例如:
import scrapy
class SpiderDemo(scrapy.Spider):
    name = "spiderdemo"
    start_urls = [
        "http://yiibai.com",
        "http://yiibai.org",
        "http://yiibai.net",
    ]

    def parse(self, response):
        # You can inspect one specific response
        if ".net" in response.url:
            from scrapy.shell import inspect_response
            inspect_response(response, self)
正如上面的代码所示,可以从蜘蛛调用shell,通过使用下面的函数来检查响应:
scrapy.shell.inspect_response
现在运行的蜘蛛,应该会得到如下界面:
2016-02-08 18:15:20-0400 [scrapy] DEBUG: Crawled (200)  (referer: None)
2016-02-08 18:15:20-0400 [scrapy] DEBUG: Crawled (200)  (referer: None)
2016-02-08 18:15:20-0400 [scrapy] DEBUG: Crawled (200)  (referer: None)
[s] Available Scrapy objects:
[s]   crawler    
...

>> response.url
'http://yiibai.org'
您可以使用下面的代码检查提取的代码是否正常工作:
>> response.xpath('//div[@class="val"]')
It displays the output as
[]
上面一行只显示空白输出。现在可以调用 shell 来检查响应,如下图所示:
>> view(response)
It displays the response as
True