Scrapy爬虫入门教程三

Scrapy爬虫入门教程一
Scrapy爬虫入门教程二
Scrapy爬虫入门教程三
开发环境:
Python 3.6.0 版本 (当前最新)
Scrapy 1.3.2 版本 (当前最新)

[toc]

命令行工具

Scrapy是通过scrapy命令行工具来控制的,当前最新版本0.10

配置设置

Scrapy将scrapy.cfg在标准位置的ini样式文件中查找配置参数:

  1. 系统默认配置:/etc/scrapy.cfgc:scrapyscrapy.cfg

  2. 全局配置文件:~/.config/scrapy.cfg$XDG_CONFIG_HOME)和~/.scrapy.cfg$HOME)用于

  3. 项目配置文件:scrapy.cfg 在scrapy项目的根目录中。

来自这些文件的设置将按照所列的优先顺序进行合并:用户定义的值比系统级默认值具有更高的优先级,项目范围的设置将在定义时覆盖所有其他设置

Scrapy也理解,并且可以通过配置一些环境变量。目前这些是:

SCRAPY_SETTINGS_MODULE(请参阅指定设置
SCRAPY_PROJECT
SCRAPY_PYTHON_SHELL(见Scrapy shell


Scrapy项目的默认结构

在深入了解命令行工具及其子命令之前,让我们先了解Scrapy项目的目录结构。

虽然可以修改,但所有Scrapy项目默认情况下具有相同的文件结构,类似于:

scrapy.cfg
myproject/
    __init__.py
    items.py
    pipelines.py
    settings.py
    spiders/
        __init__.py
        spider1.py
        spider2.py
        ...

其中,目录scrapy.cfg文件位于项目的根目录。该文件包含定义项目设置的python模块的名称。这里是一个例子:

[settings]
default = myproject.settings

使用scrapy工具

您可以从运行没有参数的Scrapy工具开始,它将打印一些使用帮助和可用的命令:
直接在项目根目录的命令行输入: scrapy

会得到如下提示:
Scrapy 1.3.2 - no active project

Usage:
  scrapy <command> [options] [args]

Available commands:
  bench         Run quick benchmark test
  commands
  fetch         Fetch a URL using the Scrapy downloader
  genspider     Generate new spider using pre-defined templates
  runspider     Run a self-contained spider (without creating a project)
  settings      Get settings values
  shell         Interactive scraping console
  startproject  Create new project
  version       Print Scrapy version
  view          Open URL in browser, as seen by Scrapy

  [ more ]      More commands available when run from project directory

Use "scrapy <command> -h" to see more info about a command

创建项目

你通常用这个scrapy工具做的第一件事是创建你的Scrapy项目:
scrapy startproject myproject [ project_dir ]

这将在该project_dir目录下创建一个Scrapy项目。如果project_dir没有指定,project_dir将会和myproject名称一样。

接下来,进入新的项目目录:
cd project_dir

您可以使用scrapy命令从那里管理和控制您的项目。


控制项目

您可以使用scrapy项目内部的工具来控制和管理它们。

大家不要着急一下子把所以东西都介绍到,具体细节后面都会写到。

例如,要创建一个新的爬虫:
scrapy genspider mydomain mydomain.com

通过上述命令创建了一个spider name为CnblogsHomeSpider的爬虫,start_urls为http://www.cnblogs.com/的爬虫。

一些Scrapy命令(如crawl)必须从Scrapy项目内部运行。请参阅命令参考下文中的哪些命令必须从内部项目运行的详细信息

还要记住,一些命令在从项目中运行时可能有稍微不同的行为。例如,user_agent如果正在获取的URL与某个特定的爬虫相关联,fetch命令将使用爬虫覆盖的行为(例如属性覆盖用户代理)。这是有意的,因为该fetch命令用于检查爬虫程序如何下载页面。


常用的工具命令

此部分包含可用内置命令的列表,其中包含描述和一些用法示例。记住,您可以随时通过运行以下命令获得有关每个命令的更多信息:

scrapy <command> -h

你可以看到所有可用的命令:
scrapy -h

上面两种命令,它们只能在Scrapy项目内部工作,也可以全局命令的情况下工作(但它们可能会被项目内的配置覆盖)。

  • 全局命令:

    • [startproject]
    • [genspider]
    • [settings]
    • [runspider]
    • [shell]
    • [fetch]
    • [view]
    • [version]
  • 仅项目命令:

    • [crawl]
    • [check]
    • [list]
    • [edit]
    • [parse]
    • [bench]

startproject

语法:
scrapy startproject <project_name> [project_dir]

在目录project_name下创建一个名为的Scrapy项目project_dir 。如果project_dir没有指定,project_dir将会和myproject名称一样。

用法示例:
$ scrapy startproject myproject

genspider

语法:
scrapy genspider [-t template] <name> <domain>

在当前文件夹或当前项目的spiders文件夹中创建一个新的爬虫,如果从项目中调用。该<name>参数设置为爬虫的name,而<domain>用于生成allowed_domains和start_urls爬虫的属性。

用法示例:

$ scrapy genspider -l
Available templates:
  basic
  crawl
  csvfeed
  xmlfeed

$ scrapy genspider example example.com
Created spider 'example' using template 'basic'

$ scrapy genspider -t crawl scrapyorg scrapy.org
Created spider 'scrapyorg' using template 'crawl'

这只是一个方便的快捷命令,用于创建基于预定义模板的爬虫,但当然不是唯一的方式来创建爬虫。您可以自己创建爬虫源代码文件,而不是使用此命令。

crawl

语法:
scrapy crawl <spider>

使用爬虫开始爬行。

用法示例:

$ scrapy crawl myspider
[ ... myspider starts crawling ... ]

check

语法:
scrapy check [-l] <spider>

用法示例:

$ scrapy check -l
first_spider
  * parse
  * parse_item
second_spider
  * parse
  * parse_item

$ scrapy check
[FAILED] first_spider:parse_item
>>> 'RetailPricex' field is missing

[FAILED] first_spider:parse
>>> Returned 92 requests, expected 0..4

list

语法:
scrapy list

列出当前项目中的所有可用爬虫。每行输出一个爬虫。

用法示例:

$ scrapy列表
spider1
spider2

edit

语法:
scrapy edit <spider>

此命令仅作为最常见情况的方便快捷方式提供,开发人员当然可以选择任何工具或IDE来编写和调试他的爬虫。

用法示例:

$ scrapy edit spider1

fetch

语法:
scrapy fetch <url>

使用Scrapy下载器下载给定的URL,并将内容写入标准输出。

这个命令的有趣的事情是它获取爬虫下载它的页面。例如,如果爬虫有一个USER_AGENT 属性覆盖用户代理,它将使用那个。

所以这个命令可以用来“看”你的爬虫如何获取一个页面。

如果在项目外部使用,将不应用特定的每个爬虫行为,它将只使用默认的Scrapy下载器设置。

支持的选项:

–spider=SPIDER:绕过爬虫自动检测和强制使用特定的爬虫
–headers:打印响应的HTTP头,而不是响应的正文
–no-redirect:不遵循HTTP 3xx重定向(默认是遵循它们)

用法示例:

$ scrapy fetch --nolog http://www.example.com/some/page.html
[ ... html content here ... ]

$ scrapy fetch --nolog --headers http://www.example.com/
{'Accept-Ranges': ['bytes'],
 'Age': ['1263   '],
 'Connection': ['close     '],
 'Content-Length': ['596'],
 'Content-Type': ['text/html; charset=UTF-8'],
 'Date': ['Wed, 18 Aug 2010 23:59:46 GMT'],
 'Etag': ['"573c1-254-48c9c87349680"'],
 'Last-Modified': ['Fri, 30 Jul 2010 15:30:18 GMT'],
 'Server': ['Apache/2.2.3 (CentOS)']}

view

语法:
scrapy view <url>

在浏览器中打开给定的URL,因为您的Scrapy爬虫会“看到”它。有时,爬虫会看到与普通用户不同的网页,因此可以用来检查爬虫“看到了什么”并确认它是您期望的。

支持的选项:

–spider=SPIDER:绕过爬虫自动检测和强制使用特定的爬虫
–no-redirect:不遵循HTTP 3xx重定向(默认是遵循它们)
用法示例:

$ scrapy view http://www.example.com/some/page.html
[ ... browser starts ... ]

shell

语法:
scrapy shell [url]
启动给定URL(如果给定)的Scrapy shell,如果没有给出URL,则为空。还支持UNIX样式的本地文件路径,相对于 ./或../前缀或绝对文件路径。有关详细信息,请参阅Scrapy shell。

支持的选项:

–spider=SPIDER:绕过爬虫自动检测和强制使用特定的爬虫
-c code:评估shell中的代码,打印结果并退出
–no-redirect:不遵循HTTP 3xx重定向(默认是遵循它们); 这只影响你可以在命令行上作为参数传递的URL; 一旦你在shell中,fetch(url)默认情况下仍然会遵循HTTP重定向。
用法示例:

$ scrapy shell http://www.example.com/some/page.html
[ ... scrapy shell starts ... ]

$ scrapy shell --nolog http://www.example.com/ -c '(response.status, response.url)'
(200, 'http://www.example.com/')

# shell follows HTTP redirects by default
$ scrapy shell --nolog http://httpbin.org/redirect-to?url=http%3A%2F%2Fexample.com%2F -c '(response.status, response.url)'
(200, 'http://example.com/')

# you can disable this with --no-redirect
# (only for the URL passed as command line argument)
$ scrapy shell --no-redirect --nolog http://httpbin.org/redirect-to?url=http%3A%2F%2Fexample.com%2F -c '(response.status, response.url)'
(302, 'http://httpbin.org/redirect-to?url=http%3A%2F%2Fexample.com%2F')

parse

语法:
scrapy parse <url> [options]

获取给定的URL并使用处理它的爬虫解析它,使用通过–callback选项传递的方法,或者parse如果没有给出。

支持的选项:

–spider=SPIDER:绕过爬虫自动检测和强制使用特定的爬虫
–a NAME=VALUE:set spider argument(可以重复)
–callback或者-c:spider方法用作回调来解析响应
–pipelines:通过管道处理项目
–rules或者-r:使用CrawlSpider 规则来发现用于解析响应的回调(即,spider方法)
–noitems:不显示已抓取的项目
–nolinks:不显示提取的链接
–nocolour:避免使用pygments来着色输出
–depth或-d:请求应递归跟踪的深度级别(默认值:1)
–verbose或-v:显示每个深度级别的信息
用法示例:

$ scrapy parse http://www.example.com/ -c parse_item
[ ... scrapy log lines crawling example.com spider ... ]

>>> STATUS DEPTH LEVEL 1 <<<
# Scraped Items  ------------------------------------------------------------
[{'name': u'Example item',
 'category': u'Furniture',
 'length': u'12 cm'}]

# Requests  -----------------------------------------------------------------
[]

settings

语法:
scrapy settings [options]

获取Scrapy设置的值。

如果在项目中使用,它将显示项目设置值,否则将显示该设置的默认Scrapy值。

用法示例:

$ scrapy settings --get BOT_NAME
scrapybot
$ scrapy settings --get DOWNLOAD_DELAY
0

runspider

语法:
scrapy runspider <spider_file.py>

运行一个自包含在Python文件中的爬虫,而不必创建一个项目。

用法示例:

$ scrapy runspider myspider.py
[...爬虫开始爬行...]

version

语法:
scrapy version [-v]

打印Scrapy版本。如果使用-v它也打印Python,Twisted和平台信息,这是有用的错误报告。

bench

新版本0.17。
语法:
scrapy bench

运行快速基准测试。基准

自定义项目命令

您还可以使用COMMANDS_MODULE设置添加自定义项目命令 。有关如何实现命令的示例,请参阅scrapy/commands中的Scrapy命令。

IT文库 » Scrapy爬虫入门教程三
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址