Scrapy Shell

发布于 2016-10-29 08:03:59 | 257 次阅读 | 评论: 0 | 来源: 网络整理

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

启动Shell

使用Shell

后端技术

前端技术

数据库

热门框架

常用IDE

其他