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
语法:scrapy version [-v]
打印Scrapy版本。如果使用-v它也打印Python,Twisted和平台信息,这是有用的错误报告。
inke:https://www.jianshu.com/p/034444bc6ff7
- EOF -
推荐阅读 点击标题可跳转
web前端营 感谢关注 | 作者新号求关注 送电子书 送视频教程 |