用Scrapy shell调试xpath

昨日一道友问我会不会用scrapy shell检查xpath，我表示没搞过，都是直接在代码里硬怼，尴尬。然而其实也没什么难的，在这记录一下方法。

首先还是安利一下国内翻译的scrapy文档，虽然最新的翻译版本是1.0版，scrapy已经出到1.3版，但是这份文档仍然非常好用，只是有些版本差异带来的小坑。

1. 在命令行键入

   scrapy shell

   进入scrapy shell终端，如果你安装了IPython，它会以IPython启动。
   此时会打出一些Scrapy的启动信息和使用方法。

2. 使用fetch()获取网页

   In [2]: fetch('https://www.baidu.com')
   2017-01-17 10:32:55 [scrapy.core.engine] INFO: Spider opened
   2017-01-17 10:32:55 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.baidu.com> (referer: None)

   此时网页已被保存在response对象里，当然也可以付给一个变量，既然是用于调试XPath，感觉没必要保存。

3. 使用xpath匹配网页元素

   xpath的使用方式与在Scrapy项目里别无二致，要注意的是在Scrapy1.2版本之后，不再需要自己声明selector选择器，直接使用response.xpath()或response.css()，scrapy shell中也是如此。

   In [2]: response.xpath('//*[@id="lg"]').extract()
   Out[2]: ['<div id="lg"> <img hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270" height="129"> </div>']

   scrapy 1.2版本以前,fetch()回的response和selector是分开的，写法如下：

   sel.xpath('//*[@id="lg"]')

4. 也可以分层调试

   In [3]: a = response.xpath('//*[@id="lg"]')
   
   In [4]: a.xpath('./img').extract()
   Out[4]: ['<img hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270" height="129">']

5. view()

   在scrapy shell中键入

   view(response)

   这条命令会调用本地浏览器显示你刚刚请求的网页，值得注意的是：

   在本机的浏览器打开给定的response。 其会在response的body中添加一个 tag ，使得外部链接(例如图片及css)能正确显示。 注意，该操作会在本地创建一个临时文件，且该文件不会被自动删除。 ——中文文档

   当你感觉xpath写的没问题可是就是匹配不到的时候，不妨看一下你到底下载到了啥玩意儿:-)。

---

17年4月12日补：

添加UserAgent和请求头的方法

在用scrapy shell 调试知乎时出现：

fetch('http://www.zhihu.com')
2017-04-12 22:33:09 [scrapy.core.engine] INFO: Spider opened
2017-04-12 22:33:19 [scrapy.downloadermiddlewares.retry] DEBUG: Retrying <GET http://www.zhihu.com> (failed 1 times): 500 Internal Server Error
2017-04-12 22:33:24 [scrapy.downloadermiddlewares.retry] DEBUG: Retrying <GET http://www.zhihu.com> (failed 2 times): 500 Internal Server Error
2017-04-12 22:33:29 [scrapy.downloadermiddlewares.retry] DEBUG: Gave up retrying <GET http://www.zhihu.com> (failed 3 times): 500 Internal Server Error
2017-04-12 22:33:29 [scrapy.core.engine] DEBUG: Crawled (500) <GET http://www.zhihu.com> (referer: None)

众(gang)所(bai)周(du)知(de)，500是服务器内部错误的状态码，但是直觉告诉我应该是scrapy shell的User-Agent是“Scrapy+版本号”，所以才被服务器拒绝的。

用以下命令配置User-Agent并启动scrapy shell：

scrapy shell -s USER_AGENT='Mozilla/5.0'

然后在fetch()知乎的首页，发现已经200了。

fetch('http://www.zhihu.com')
2017-04-12 22:41:11 [scrapy.core.engine] INFO: Spider opened
2017-04-12 22:41:11 [scrapy.downloadermiddlewares.redirect] DEBUG: Redirecting (301) to <GET https://www.zhihu.com/> from <GET http://www.zhihu.com>
2017-04-12 22:41:12 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.zhihu.com/> (referer: None)

那么如何在scrapy shell中给请求配置请求头呢？如下：

$ scrapy shell
...
>>> from scrapy import Request
>>> req = Request('yoururl.com', headers={"header1":"value1"})
>>> fetch(req)

参考资料：http://stackoverflow.com/questions/37010524/set-headers-for-scrapy-shell-request