本篇将介绍使用scrapy的命令,更多内容请参考:Python学习指南
Scrapy Shell
Scrapy终端是一个交互终端,我们可以在未启动spider的情况下尝试及调试代码,也可以用来测试XPath或CSS表达式,查看他们的工作方式,方便我们从爬取的网页中提取数据。
如果安装了IPython,Scrapy终端将使用IPython(替代标准Python客户端)。IPython终端与其它相比更为强大,提供智能的自动补全,全亮输出,即其它特性。(推荐安装IPython)
启动Scrapy Shell
进入项目的根目录,执行下列命令来启动:
scrapy shell 'http://www.cnblogs.com/miqi1992/'
[root@centos chapter04]# scrapy shell 'http://www.cnblogs.com/miqi1992'
2017-12-25 16:19:58 [scrapy.utils.log] INFO: Scrapy 1.4.0 started (bot: scrapybot)
2017-12-25 16:19:58 [scrapy.utils.log] INFO: Overridden settings: {'LOGSTATS_INTERVAL': 0, 'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter'}
2017-12-25 16:19:58 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.memusage.MemoryUsage',
'scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.corestats.CoreStats']
2017-12-25 16:19:58 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
'scrapy.downloadermiddlewares.retry.RetryMiddleware',
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
2017-12-25 16:19:58 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
'scrapy.spidermiddlewares.referer.RefererMiddleware',
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
'scrapy.spidermiddlewares.depth.DepthMiddleware']
2017-12-25 16:19:58 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2017-12-25 16:19:58 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2017-12-25 16:19:58 [scrapy.core.engine] INFO: Spider opened
2017-12-25 16:19:58 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www.cnblogs.com/miqi1992> (referer: None)
[s] Available Scrapy objects:
[s] scrapy scrapy module (contains scrapy.Request, scrapy.Selector, etc)
[s] crawler <scrapy.crawler.Crawler object at 0x2ea9b10>
[s] item {}
[s] request <GET http://www.cnblogs.com/miqi1992>
[s] response <200 http://www.cnblogs.com/miqi1992>
[s] settings <scrapy.settings.Settings object at 0x2ea9990>
[s] spider <DefaultSpider 'default' at 0x32a6f10>
[s] Useful shortcuts:
[s] fetch(url[, redirect=True]) Fetch URL and update local objects (by default, redirects are followed)
[s] fetch(req) Fetch a scrapy.Request and update local objects
[s] shelp() Shell help (print this help)
[s] view(response) View response in a browser
Scrapy Shell根据下载的页面会自动创建一些方便使用的对象,例如Response对象,以及Selector
对象(对HTML及XML内容)
- 当shell载入后,将会得到一个包含response的数据的本地response变量,输入
response.body
将输出response的包体,输出response.headers
可以看到response的报头。 - 输入
response.selector
时,将获取到一个response初始化的类Selector的对象,此时可以通过使用response.selector.xpath()
或response.selector.css()
来对resposne进行查询。 - Scrapy也提供了一些快捷方式,例如
response.xpath()
或response.css()
同样可以生效(如之前的案例)。
Selector选择器
Scrapy Selector内置XPath和CSS Selector表达式机制
Selector有四个基本的方法,最常用的还是xpath:
- xpath():传入xpath表达式,返回该表达式所对应的所有节点的selector list列表
- extract():序列化该节点为Unicode字符串并返回list
- css():传入CSS表达式,返回该表达式所对应的所有节点的selector list列表,语法同BeautifulSoup4
- re():传入输入的正则表达式对数据进行提取,返回Unicode字符串list列表
XPath表达式的例子及对应的含义:
/html/head/title:选择<HTML>文档中<head>标签内的<title>元素
/html/head/title/text():选择上面提到的<title>元素的文字
//td:选择所有的<td>元素
//div[@class="mine"]:选择所有具有class="mine"属性的div元素
尝试Selector
我们用腾讯社招的网站 http://hr.tencent.com/position.php?&start=0#a
举例:
response.xpath('//title')
[<Selector xpath='//title' data=u'<title>\u804c\u4f4d\u641c\u7d22 | \u793e\u4f1a\u62db\u8058 | Tencent \u817e\u8baf\u62db\u8058</title'>]
#使用extract()方法返回Unicode字符串列表
response.xpath('//title').extract()
u'<title>\u804c\u4f4d\u641c\u7d22 | \u793e\u4f1a\u62db\u8058 | Tencent \u817e\u8baf\u62db\u8058
##打印列表中第一个元素,终端编码格式显示
print(response.xpath('//title'.extract()[0]))
response.xpath('//*[@class='even']')
以后做数据提取的时候,可以先在Scrapy Shell中测试,测试通过后再应用到代码中。当然Scrapy Shell作用不仅仅如此,但是不属于我们课程重点,不做详细介绍。