22-爬虫-使用scrapy工具

向右看齐 2023-01-03 12:44 119阅读 0赞

### 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 2.4.0 - 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

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 myproject

您可以使用scrapy命令从那里管理和控制您的项目。

### 创建爬虫 ###

要创建一个新的爬虫：  
`scrapy genspider example example.com`

通过上述命令创建了一个spider name为example的爬虫，start\_urls为`example.com`的爬虫。

## 常用的工具命令 ##

### \-h 帮助 ###

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

### 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 创建爬虫 ###

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。该参数设置为爬虫的name，而用于生成allowed\_domains和start\_urls爬虫的属性。

用法示例：

$ scrapy genspider example example.com
    使用基础模板创建一个名为 'example' 基础爬虫
    
    $ scrapy genspider -t crawl scrapyorg scrapy.org
    使用crawl模板创建一个名 'scrapyorg'的爬虫

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 开始爬虫 ###

语法：  
`scrapy crawl <spider>`

使用爬虫开始爬行。

用法示例：

scrapy crawl myspider

### list 列表 ###

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 list
    spider1
    spider2

### fetch 获取 ###

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 内容 ... ]
    
    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 ... ]

### 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 ###