Scrapy学习笔记(3)--Command line tool（命令行工具）

Command line tool

Scrapy是在命令行中控制的，比如创建project，运行爬虫等。Scrapy提供了很多的参数和命令。

PS：所有括号中的指令都和前边的对应指令等价，或者是缩写形式

使用scrapy tool

scrapy <command> [options] [args]
如果你直接输入scrapy，它会显示帮助，即命令参数，你也可以输入scrapy -h来查看，或者scrapy <command> -h来显示某个命令的帮助

startproject

语法：
scrapy startproject project_name [project_dir]
需求：
不需要项目（此处当作废话处理）

将在指定目录[目录可选，默认当前目录]创建一个指定名称的项目
下一步你就可以cd project_dir进入创建的项目目录，如果是默认目录，创建完成后下一步cd project_mame即可

例子：
scrapy startproject HelloScrapy D:\\CrazyScrapy\\

cd D:\\CrazyScrapy\\

genspider

语法：
scrapy genspider [-t template] <name> <domain>
需求：
不需要有项目

在当前目录或项目目录中的spiders文件夹下创建一个爬虫，如果是在项目中创建，那么它的name将在项目中设置为spider的name，<domain>用来生成spider中的allowed_domains和start_urls属性。下列具体参数中括号的指令与前面的缩写指令等价：

• scrapy genspider -h (–help)显示帮助
• scrapy genspider -l (–list)显示可用的模板（templates），有basic、crawl、csvfeed、xmlfeed四种，默认basic，最简的那种
• scrapy genspider -e (–edit)创建后编辑，前提是设置好编辑器，以后设置里会讲
• scrapy genspider -d (–dump=TEMPLATE)，参数是模板，使用这个不会创建一个爬虫，而是在命令行中展示它的模板代码，也就是预览
• scrapy genspider -t (–template=TEMPLATE)，参数是模板，生成一个对应模板的爬虫，-d是预览，-t是生成
• scrapy genspider --force 如果指定的spider已经存在，那么就用指定的模板覆盖它！（默认basic模板）

ps:这些知道就好，因为它只是创建爬虫的命令，你完全可以自己手动创建一个spider文件，重要的还是如何写爬虫的代码，当然你可以都试一试，关于那四种模型，以后学到Spider会接触到

例子：
scrapy genspider -t xmlfeed spider1 "baidu.com"

crawl

语法：
scrapy crawl <spider>
需求：
需要项目

执行爬虫，注意使用该命令要在项目目录里。

• scrapy crawl -a NAME=VALUE 设置爬虫的参数（可能会重复）
• scrapy crawl --output=FILE (-o FILE) 将爬下来的item存储(dump)到指定文件
• scrapy crawl --output-format=FORMAT (-t FORMAT) 按格式存储item到指定文件，常见的有FILE.json、FILE.jl格式等

例子：
scrapy crawl spider1 -t spider1_item.json

check

语法：
scrapy check [-l] <spider>
需求：
需要项目

运行检查，即检查你的spiders是否有代码错误，需要在项目目录中使用：

• scrapy check 检查所有的spiders，后边跟上spider名字会针对某个spider检查
• scrapy check -l (–list)只会列出contracts，但是不检查
• scrapy check -v (–verbose)打印出所有spiders的contracts测试结果，相当于scrapy check

例子：
>scrapy check
>...
D:\Crazy\Hello\HelloProject \spiders\spider2.py, line12
yield i：：：
SyntaxError: invalid character in identifier

没错，我打了三个中文冒号，然后报错，被它检查出来了。

list

语法：
scrapy list
需求：
需要项目

作用：列出所有的spider
例子：
>scrapy list
spider1
spider2

edit

语法：
scrapy edit <spider>
需求：
需要项目

在设置过的EDITOR中打开。没有设置过的话就默认了。当然有IDE的话这个命令用不着，这里只是提一下，具体怎么设置以后再说。

fetch

语法：
scrapy fetch [options] <url>
需求：
不需要项目

利用Scrapy downloader从网页中提取内容（body，页面源代码）保存到本地（.html文件，具体目录看浏览器上面显示的地址）并且打印到标准输出，你可以使用--nolog指令来取消打印日志（这个指令是Global Options，所有命令都有的，之后会介绍）。如果你是在一个项目中执行，那么它会先找你的项目的settings.py中是否设置了headers，如果有，则用你设置的headers进行提取。以下是指令：

• scrapy fetch --spider=SPIDER <url> 用指定的spider来获取
• scrapy --headers <url> 打印HTTP headers而不是页面的body
• scrapy --no-redirect <url> 不要处理HTTP 3xx状态码和按原样打印响应，就是比如302、303等状态吗不要处理、打印。

例子：
scrapy fetch --nolog --headers "http://cn.bing.com/"
...显示HTTP的headers相关信息...

view

语法：
scrapy view <url>
需求：
不需要项目

用你的浏览器打开指定的url链接，而且默认不会加载你的插件，货真价实的就是你的spider看到的页面。你可以试一下，看看淘宝网，结果不是很理想，因为淘宝的界面都是即时生成的、动态的，要爬取这样的网页还需要模拟工具比如PhantomJS，这个就先不提。下面是view的指令：

• --spider=SPIDER 以爬虫的视角来看
• --no-redirect 同fetch。

例子：
scrapy view --spider=spider1 "http://dict.youdao.com/"
将用你的默认浏览器打开该爬虫视角的页面

shell

语法：
scrapy shell [url]
需求：
不需要项目

shell是个很强大的功能，对于你解析HTML信息十分有用，先讲一下参数，然后再细说：

• scrapy shell -c CODE <url> 将你的CODE代码在shell中执行之后退出shell，记得给你的代码加上引号，并且不要和你代码中用到的引号冲突。其实直接在shell中操作会更好。
• scrapy shell --spider=SPIDER用指定的爬虫获取信息，然后进入shell
• scrapy shell --no-redirect同fetch

在shell中，response就是你对你指定的url链接发出请求后返回的信息，就相当于整个页面的源代码。接下来你就需要使用选择器(Selectors)来模拟提取信息，不断地测试。选择器，比如CSS Selectors，XPath，re()正则表达式，当然BeautifulSoup也是可以的。你完全可以把这个环境当成python的shell，在里面进行测试，找到合适的选择路径，然后写入Spider中。

例子：
>scrapy shell "http://cn.bing.com/"
# log以及打开shell
>>>a='http://cn.bing.com/'+response.xpath('//li[@id="scpt3"]/a[@id]/@href').extract_first()
>>>print(a)

parse

语法：
scrapy parse <url> [options]
需求：
需要项目

用爬虫解析url链接并且打印结果

• scrapy parse --spider=SPIDER <url> 用指定的爬虫而不是寻找一个
• scrapy parse -a NAME=VALUE <url> 设定爬虫的参数（可能会有重复的）
• scrapy parse --pipelines <url> 通过pipelines处理items
• scrapy parse --nolinks <url> 不显示可以再次请求(follow)的链接
• scrapy parse --noitems <url> 不显示爬取到的items
• scrapy parse --nocolour <url> 不要使用代码高亮来颜色化输出
• scrapy parse -r <url> (–rules)使用CrawlSpider rules来发现callback（回调）
• scrapy parse -c CALLBACK <url> (–callback=CALLBACK)使用指定的callback回调来解析（parse），而不是自己找
• scrapy parse -d DEPTH <url> (–depth=DEPTH) 解析请求的最大深度，默认1
• scrapy parse -v <url> (–verbose) 一个接一个地打印每一层深度

例子(用的是我已经写过的项目)：
D:\CrazyScrapy\FamousQuotes\FamousQuotes>scrapy parse --spider=quotes -v "http://www.dailyenglishquote.com/"

settings

语法：
scrapy settings [options]
需求：
不需要项目

获得settings的值。如果在一个项目中使用，它将展示项目的setting value， 否则将会展示，默认的Scrapy settings值，下面的SETTING都是settings.py中具体的某一项设置的名字，你可以

• scrapy settings --get=SETTING 直接（raw）打印setting的值
• scrapy settings --getbool=SETTING 以boolean形式打印
• scrapy settings --getint=SETTING 以整型数据打印
• scrapy settings --getfloat 以浮点型打印
• scrapy settings --getlist 以列表的形式打印

例子：
scrapy settings --get=BOT_NAME 打印项目名
scrapy settings --getbool=ROBOTSTXT_OBEY 打印是否遵循robots协议
scrapy settings --getfloat=DOWNLOAD_DELAY打印下载器在下载同一个网站下一个页面前需要等待的时间

ps:关于settings.py以后还会再深入

runspider

语法：
scrapy runspider <spider_file.py>
需求：
不需要项目

不需要创建项目就可以跑爬虫，简单易懂：

• scrapy runspider -a NAME=VALUE <spider_file.py> 设定爬虫的参数（可能会有重复）
• scrapy runspider --output=FILE <spider_file.py> (-o FILE) dump(存储)爬下来的item到指定的文件中；使用-来标准输出
• scrapy runspider --output-format=FORMAT (-t FORMAT)格式化使用-o输出

scrapy runspider spider4.py
...crawling log...

version

语法：
scrapy version [-v]
需求：
不需要项目

显示scrapy的版本。如果使用了-v参数，同时也会打印Python版本、Twisted版本和Platform info（平台信息）等，下面是我的信息：

大家可以参考一下。Twisted和lxml库是我手动下载的，因为之前下载scrapy的时候出了一些问题。等以后有更多的需求再换电脑和系统 :）

bench

语法：
scrapy bench
需求：
不需要项目

运行一个快速的基准测试，反应当前爬虫的一些基本数据。

Global Options（通用的参数/可选项）

这个是以上命令的通用命令：

• --logfile=FILE 日志文件。如果省略了stderr（标准错误输出）将被使用
• --loglevel=LEVEL (-L LEVEL) 日志的LEVEL，默认：INFO
• --nolog 不会显示日志信息（log）
• --profile=FILE 写入python cProfile stats到文件中
• --pidfile-FILE 写入process ID到文件中
• --set=NAME=VALUE (-s NAME=VALUE) 设定/重写 setting（可能会有重复）
• --pdb enable pdb on failure（使程序数据库文件失效）

PS：关于scrapy的自定义项目命令（Custom project commands），你可以通过使用COMMANDS_MODULE setting来加入你自己的项目命令。但是由于我的水平还不够，所以在这里我不打算叙述。