scrapy基礎命令

時間 2019-12-06

標籤 scrapy 基礎命令欄目 Python 简体版

原文原文鏈接

默認的Scrapy項目結構

全部的Scrapy項目默認有相似於下邊的文件結構:css

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

scrapy.cfg 存放的目錄被認爲是 項目的根目錄 。該文件中包含python模塊名的字段定義了項目的設置。例如:html

[settings]
default = myproject.settings

建立項目

通常來講，使用 scrapy 工具的第一件事就是建立您的Scrapy項目:python

scrapy startproject myproject

該命令將會在 myproject 目錄中建立一個Scrapy項目。web

接下來，進入到項目目錄中:shell

cd myproject

這時候您就可使用 scrapy 命令來管理和控制您的項目了。json

控制項目

您能夠在您的項目中使用 scrapy 工具來對其進行控制和管理。瀏覽器

好比，建立一個新的spider:dom

scrapy genspider mydomain mydomain.com

可用的工具命令(tool commands)

該章節提供了可用的內置命令的列表。每一個命令都提供了描述以及一些使用例子。您老是能夠經過運行命令來獲取關於每一個命令的詳細內容:scrapy

scrapy <command> -h

您也能夠查看全部可用的命令:編輯器

scrapy -h

全局命令:

項目(Project-only)命令:

genspider

語法: scrapy genspider [-t template] <name> <domain>
是否須要項目: yes

在當前項目中建立spider。這僅僅是建立spider的一種快捷方法。該方法可使用提早定義好的模板來生成spider。您也能夠本身建立spider的源碼文件。

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

$ scrapy genspider -d basic
import scrapy

class $classname(scrapy.Spider):
    name = "$name"
    allowed_domains = ["$domain"]
    start_urls = (
        'http://www.$domain/',
        )

    def parse(self, response):
        pass

$ scrapy genspider -t basic example example.com
Created spider 'example' using template 'basic' in module:
  mybot.spiders.example

crawl

語法: scrapy crawl <spider>
是否須要項目: yes

使用spider進行爬取。

例子:

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

check

語法: scrapy check [-l] <spider>
是否須要項目: yes

運行contract檢查。

例子:

$ 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

語法: scrapy list
是否須要項目: yes

列出當前項目中全部可用的spider。每行輸出一個spider。

使用例子:

$ scrapy list
spider1
spider2

edit

語法: scrapy edit <spider>
是否須要項目: yes

使用 EDITOR 中設定的編輯器編輯給定的spider

該命令僅僅是提供一個快捷方式。開發者能夠自由選擇其餘工具或者IDE來編寫調試spider。

例子:

$ scrapy edit spider1

fetch

語法: scrapy fetch <url>
是否須要項目: no

使用Scrapy下載器(downloader)下載給定的URL，並將獲取到的內容送到標準輸出。

該命令以spider下載頁面的方式獲取頁面。例如，若是spider有 USER_AGENT 屬性修改了 User Agent，該命令將會使用該屬性。

所以，您可使用該命令來查看spider如何獲取某個特定頁面。

該命令若是非項目中運行則會使用默認Scrapy downloader設定。

例子:

$ 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

語法: scrapy view <url>
是否須要項目: no

在瀏覽器中打開給定的URL，並以Scrapy spider獲取到的形式展示。有些時候spider獲取到的頁面和普通用戶看到的並不相同。所以該命令能夠用來檢查spider所獲取到的頁面，並確認這是您所指望的。

例子:

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

shell

語法: scrapy shell [url]
是否須要項目: no

以給定的URL(若是給出)或者空(沒有給出URL)啓動Scrapy shell。查看 Scrapy終端(Scrapy shell) 獲取更多信息。

例子:

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

runspider

語法: scrapy runspider <spider_file.py>
是否須要項目: no

在未建立項目的狀況下，運行一個編寫在Python文件中的spider。

例子:

$ scrapy runspider myspider.py
[ ... spider starts crawling ... ]

version

語法: scrapy version [-v]
是否須要項目: no

輸出Scrapy版本。配合 -v 運行時，該命令同時輸出Python, Twisted以及平臺的信息，方便bug提交。

bench

0.17 新版功能.測試爬取速度

語法: scrapy bench
是否須要項目: no

運行benchmark測試。 Benchmarking 。

保存文件

scrapy提供的Feed Exports 能夠輕鬆輸出結果

保存爲JSON文件，輸出後項目多了一個quotes.json文件
scrapy crawl quote -o quotes.json

每一個Item輸出一行JSON，後綴爲jl，爲jsonline的縮寫
scrapy crawl quotes -o quotes.jl
或者
scrapy crawl quotes -o quotes.jsonline

下面命令分別輸出csv xml pickle marshal 格式及ftp遠程輸出
scrapy crawl quotes -o quotes.csv
scrapy crawl quotes -o quotes.xml
scrapy crawl quotes -o quotes.pickle
scrapy crawl quotes -o quotes.marshal
scrapy crawl quotes -o ftp://user:pass@ftp.example.com/path/to/quotes.csv
ftp須要正確配置包括用戶名、密碼、地址、輸出路徑

scrapy選擇器

xpath選擇器最前方加.點，表明提取元素內部的數據，沒有加.點，表明從根節點提取，用//img表示從html節點提取

提取快捷方法response.xpath() 和 response.css()，具體內容提取用extract()

xpath選取內部文本和屬性 ('//a/text()').extract() ('//a/@href').extract()

/text()獲取節點的內部文本， /@href得到節點的href屬性，@後面內容是要獲取的屬性名稱

給extract_first()方法設置一個默認值參數，xpath提取不到就會使用默認值extract_first(default='')

css選擇器獲取文本和屬性的寫法 ::text 和::attr()

正則re_first方法能夠選取列表的第一個元素

response對象不能直接調用re()和re_first()

<html>
 <head>
  <base href='http://example.com/' />
  <title>Example website</title>
 </head>
 <body>
  <div id='images'>
   <a href='image1.html'>Name: My image 1 <br /><img src='image1_thumb.jpg' /></a>
   <a href='image2.html'>Name: My image 2 <br /><img src='image2_thumb.jpg' /></a>
   <a href='image3.html'>Name: My image 3 <br /><img src='image3_thumb.jpg' /></a>
   <a href='image4.html'>Name: My image 4 <br /><img src='image4_thumb.jpg' /></a>
   <a href='image5.html'>Name: My image 5 <br /><img src='image5_thumb.jpg' /></a>
  </div>
 </body>
</html>



>>> response.selector
<Selector xpath=None data='<html>\n <head>\n  <base href="http://exam'>
>>> response.selector.xpath('//title/text()')
[<Selector xpath='//title/text()' data='Example website'>]
>>> response.selector.xpath('//title/text()').extract_first()
'Example website'
>>> response.selector.css('title::text').extract_first()
'Example website'
>>> response.css('title::text').extract_first()
'Example website'
>>> response.xpath('//div[@id="image"]').css('img')
[]
>>> response.xpath('//div[@id="images"]').css('img')
[<Selector xpath='descendant-or-self::img' data='<img src="image1_thumb.jpg">'>, <Selector xpath='descendant-or-self::img' data='<img src="image2_thumb.jpg">'>, <Selector xpath='
descendant-or-self::img' data='<img src="image3_thumb.jpg">'>, <
Selector xpath='descendant-or-self::img' data='<img src="image4_
thumb.jpg">'>, <Selector xpath='descendant-or-self::img' data='<
img src="image5_thumb.jpg">'>]
>>> response.xpath('//div[@id="images"]').css('img::attr(src)')
[<Selector xpath='descendant-or-self::img/@src' data='image1_thumb.jpg'>, <Selector xpath='de
scendant-or-self::img/@src' data='image2_thumb.jpg'>, <Selector xpath='descendant-or-self::[<Selector xpath='descendant-or-self::img/@src' data='image1_thumb.jpg'>, <S
elector xpath='descendant-or-self::img/@src' data='image2_thumb.jpg'>, <Sele
ctor xpath='descendant-or-self::
img/@src' data='image3_thumb.jpg
'>, <Selector xpath='descendant-
or-self::img/@src' data='image4_
thumb.jpg'>, <Selector xpath='de
scendant-or-self::img/@src' data
='image5_thumb.jpg'>]
>>> response.xpath('//div[@id="i
mages"]').css('img::
attr(src)').extract(
)
['image1_thumb.jpg', 'image2_thumb.jpg', 'image3_thumb.jpg',
 'image4_thumb.jpg', 'image5_thumb.jpg']
>>> response.xpath('//div[@id="images"]').css('img::attr(src
)').extract_first()
'image1_thumb.jpg'
>>> response.xpath('//div[@id="images"]').css('img::attr(src
)').extract_first(default='')
'image1_thumb.jpg'
>>> response.xpath('//a/@href')
[<Selector xpath='//a/@href' data='image1.html'>, <Selector xpath='//a/@href' data
='image2.html'>, <Selector xpath='//a/@href' data='image3.html'>, <Selector xpath=
'//a/@href' data='image4.html'>, <Selector xpath='//a/@href' data='image5.html'>]
>>> response.xpath('//a/@href').extract()
['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']
>>> response.css('a').extract()
['<a href="image1.html">Name: My image 1 <br><img src="image1_thumb.jpg"></a>', '<
a href="image2.html">Name: My image 2 <br><img src="image2_thumb.jpg"></a>', '<a h
ref="image3.html">Name: My image 3 <br><img src="image3_thumb.jpg"></a>', '<a href
="image4.html">Name: My image 4 <br><img src="image4_thumb.jpg"></a>', '<a href="i
mage5.html">Name: My image 5 <br><img src="image5_thumb.jpg"></a>']
>>> response.css('a::attr(href)').extract()
['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']
>>> response.xpath('//a/text()').extract()
['Name: My image 1 ', 'Name: My image 2 ', 'Name: My image 3 ', 'Name: My image 4
', 'Name: My image 5 ']
>>> response.css('a::text()').extract()
Traceback (most recent call last):
  File "<console>", line 1, in <module>
  File "c:\python3.7\lib\site-packages\scrapy\http\response\text.py", line 122, in
 css
    return self.selector.css(query)
  File "c:\python3.7\lib\site-packages\parsel\selector.py", line 262, in css
    return self.xpath(self._css2xpath(query))
  File "c:\python3.7\lib\site-packages\parsel\selector.py", line 265, in _css2xpat
h
    return self._csstranslator.css_to_xpath(query)
  File "c:\python3.7\lib\site-packages\parsel\csstranslator.py", line 109, in css_
to_xpath
    return super(HTMLTranslator, self).css_to_xpath(css, prefix)
  File "c:\python3.7\lib\site-packages\cssselect\xpath.py", line 192, in css_to_xp
ath
    for selector in parse(css))
  File "c:\python3.7\lib\site-packages\cssselect\xpath.py", line 192, in <genexpr>

    for selector in parse(css))
  File "c:\python3.7\lib\site-packages\cssselect\xpath.py", line 222, in selector_
to_xpath
    xpath = self.xpath_pseudo_element(xpath, selector.pseudo_element)
  File "c:\python3.7\lib\site-packages\parsel\csstranslator.py", line 72, in xpath
_pseudo_element
    % pseudo_element.name)
cssselect.xpath.ExpressionError: The functional pseudo-element ::text() is unknown

>>> response.css('a::text').extract()
['Name: My image 1 ', 'Name: My image 2 ', 'Name: My image 3 ', 'Name: My image 4
', 'Name: My image 5 ']
>>> response.xpath('//a[contains(@href, "image")]/@href')
[<Selector xpath='//a[contains(@href, "image")]/@href' data='image1.html'>, <Selec
tor xpath='//a[contains(@href, "image")]/@href' data='image2.html'>, <Selector xpa
th='//a[contains(@href, "image")]/@href' data='image3.html'>, <Selector xpath='//a
[contains(@href, "image")]/@href' data='image4.html'>, <Selector xpath='//a[contai
ns(@href, "image")]/@href' data='image5.html'>]
>>> response.xpath('//a[contains(@href, "image")]/@href').extract()
['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']
>>> response.css('a[href*=image]::attr(hr)')
[]
>>> response.css('a[href*=image]::attr(href)')
[<Selector xpath="descendant-or-self::a[@href and contains(@href, 'image')]/@href"
 data='image1.html'>, <Selector xpath="descendant-or-self::a[@href and contains(@h
ref, 'image')]/@href" data='image2.html'>, <Selector xpath="descendant-or-self::a[
@href and contains(@href, 'image')]/@href" data='image3.html'>, <Selector xpath="d
escendant-or-self::a[@href and contains(@href, 'image')]/@href" data='image4.html'
>, <Selector xpath="descendant-or-self::a[@href and contains(@href, 'image')]/@hre
f" data='image5.html'>]
>>> response.css('a[href*=image]::attr(href)').extract()
['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']
>>> response.xpath('//a/img/@src').extract()
['image1_thumb.jpg', 'image2_thumb.jpg', 'image3_thumb.jpg', 'image4_thumb.jpg', '
image5_thumb.jpg']
>>> response.xpath('//a[contains(@href, "image")]/img/@src').extract()
['image1_thumb.jpg', 'image2_thumb.jpg', 'image3_thumb.jpg', 'image4_thumb.jpg', '
image5_thumb.jpg']
>>> response.css('a[href*=image] img::attr(src)').extract()
['image1_thumb.jpg', 'image2_thumb.jpg', 'image3_thumb.jpg', 'image4_thumb.jpg', '
image5_thumb.jpg']
>>> response.css('a::text').re('Name\:(.*)')
[' My image 1 ', ' My image 2 ', ' My image 3 ', ' My image 4 ', ' My image 5 ']
>>> response.css('a::text').re_first('Name\:(.*)')
' My image 1 '

相關標籤/搜索

每日一句

每一个你不满意的现在，都有一个你没有努力的曾经。