• Author：杜七
• Date：2017.02.17

0 | 安装

• Mac安装scrapy碰到问题解决方法

1 | 技巧

• 爬虫调试：http://www.cnblogs.com/sufei-duoduo/p/5884209.html

• 在 spider 中启动 shell 来查看 response，scrapy shell 'http://scrapy.org' --nolog，以及使用scrapy parse --spider=touming url -c parse_item查看parse_item()函数是否符合自己期望

  • 有时您想在 spider 的某个位置中查看被处理的 response， 以确认您期望的 response 到达特定位置。这可以通过 scrapy.shell.inspect_response 函数来实现。以下是如何在 spider 中调用该函数的例子:
  • 代码示例

• 使用参数爬取数据：http://www.cnblogs.com/sufei-duoduo/p/5867815.html

• 发送email邮件，http://www.cnblogs.com/sufei-duoduo/p/5883992.html

• 在抓取网站时, 暂停爬虫并于稍后恢复而不是重新开始, 有时会很有用 。 比如, 软件更新后重启计算机, 或是要爬取的网站出现错误需要稍后继续爬 取时, 都可能会中断爬虫。 非常方便的是, Scrapy 内置了对暂停与恢复爬取 的支持, 这样我们就不需要再修改示例爬虫了 。 要开启该功能, 我们只需要 定义用于保存爬虫当前状态 目 录的 JOBDIR 设置即可。 需要注意的是, 多个 爬虫的状态需要保存在不同的 目录当中。 下面是在我们的爬虫中使用该功能的示例 。

• $ scrapy crawl country -s L。G_LEVEL=DEBUG -s JOBDIR=crawls/country
• 我们使用Ac CCtrl+C) 发送终止信号, 然后 爬虫又完成了几个条 目 的处理之后才终止。 想要 Scrapy 保存爬虫状态, 就必 须等待它正常结束, 而不能经受不住诱惑再次按下 C创+C 强行立即终止 ! 现 在, 爬虫状态保存在 crawls/country 目录中, 之后可以运行同样的命令 恢复爬虫运行 。

2 | 部署爬虫

1） 可视化部署

• spiderkeeper

2）手动部署

• sudo pip install scrapyd
• shudo pip install scrapyd-client
• 首先切换到项目的目录，scrapy.cfg记录了项目的配置信息

• 修改scrapy.cfg配置
• [settings] default = Test.settings [deploy:Myploy]#发布名称 url = http://localhost:6800/　#项目发布到那个地址 project = Test#项目名称

• 要发布项目，首先要启动scrapyd,直接在命令行输入scrapyd
• 发布项目，CD到根目录，scrapyd-deploy Myploy -p Test #在scrapy.cfg文件有配置 Packing version 1482303178 Deploying to project "Test" in http://localhost:6800/addversion.json Server response (200): {"status": "ok", "project": "Test", "version": "1482303178", "spiders": 1, "node_name": "tozo-CW65S"}
• 现在只是将项目发布到目标地址，但是没有调度爬虫，调度爬虫需要用到ｃｕｒｌ命令，在http://localhost:6800有提示，稍微改动，如下：curl http://localhost:6800/schedule.json -d project=Test -d spider=spd，可以在http://localhost:6800看结果了。
• 取消一个爬虫：curl http://localhost:6800/cancel.json -d project=PROJECT_NAME -d job=JOB_ID

3 | 使用代理

• Scrapy: error downloading with proxies
  

  • 解决方法：http://stackoverflow.com/questions/38159211/scrapy-error-downloading-with-proxies