vlambda博客
学习文章列表

优秀的Scrapy爬虫框架常用工具命令


        之前写的爬虫是不是看起来很复杂,其实很多功能是可以封装起来通用的,所以出现了多种爬虫框架,将通用功能封装起来,不用你再繁琐的写,你只需要写核心爬取代码及数据处理即可。在这里以最优秀的的Scarpy爬虫框架给大家介绍,这次先介绍其相关命令。

        Scarpy中,工具命令分为两种:全局命令和项目命令。


一、全局命令:不需要依靠Scrapy项目就可以在全局中直接运行,即在Scrapy项目内外都可以使用。

        

        如下,win+R-->cmd进入命令行窗口,输入scrapy -h,即可看到全局命令。

G:\Python_item\scrapy>scrapy -hScrapy 2.0.1 - no active project
Usage: scrapy <command> [options] [args]
Available commands: bench Run quick benchmark test 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


1、fech命令

        主要用来显示爬虫爬取的过程,比如以下爬取百度!

G:\Python_item\scrapy>scrapy fetch http://ww.baidu.com2020-07-03 23:53:33 [scrapy.utils.log] INFO: Scrapy 2.0.1 started (bot: scrapybot)2020-07-03 23:53:33 [scrapy.utils.log] INFO: Versions: lxml 4.5.0.0, libxml2 2.9.5, cssselect 1.1.0, parsel 1.5.2, w3lib 1.21.0, Twisted 20.3.0, Python 3.7.2 (tags/v3.7.2:9a3ffc0492, Dec 23 2018, 23:09:28) [MSC v.1916 64 bit (AMD64)], pyOpenSSL 19.1.0 (OpenSSL 1.1.1d 10 Sep 2019), cryptography 2.8, Platform Windows-10-10.0.18362-SP02020-07-03 23:53:33 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.selectreactor.SelectReactor2020-07-03 23:53:33 [scrapy.crawler] INFO: Overridden settings:......


2、runspider命令

        通过Scrapy中的runspider命令,我们可以实现不依托Scrapy的爬虫项目,直接运行一个爬虫文件。


3、settings命令

        此命令在Scrapy项目目录内部使用是查看对应项目的配置信息,在外部使用是查看Scrapy默认配置信息。


4、shell命令

        通过shell命令可以启动Scrapy的交互终端(在开发和调试的时候用),如下爬取百度的交互终端环境,不输出日志。执行后会出现Scrapy对象及快捷命令,比如crawler、item这些,并进入交互模式,在“>>>”后可以输入交互命令及相应代码。

G:\Python_item\scrapy>scrapy shell http://www.baidu.com --nolog[s] Available Scrapy objects:[s] scrapy scrapy module (contains scrapy.Request, scrapy.Selector, etc)[s] crawler <scrapy.crawler.Crawler object at 0x000002381FE98198>[s] item {}[s] request <GET http://www.baidu.com>[s] response <200 http://www.baidu.com>[s] settings <scrapy.settings.Settings object at 0x000002381FE982E8>[s] spider <DefaultSpider 'default' at 0x238201b0cf8>[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>>>

        比如,在交互模式中提取出爬取到的网页的标题,可以通过XPath表达式(之后会专门单独说明)进行提取。

>>> ti = response.xpath("/html/head/title")>>> print(ti)[<Selector xpath='/html/head/title' data='<title>百度一下,你就知道</title>'>]>>> exit()    # 退出交互界面


5、startproject命令

        在当前目录下使用Scrapy创建一个爬虫项目

scrapy startproject myfirst_project


6、version命令

        显示Scrapy版本信息。


7、view命令

        实现下载某个网页并用浏览器查看的功能。

        比如下载网易新闻首页,并自动用浏览器查看。

scrapy view http://news.163.com/


二、项目命令:基于Scrapy爬虫项目才可以使用。


        首先进入一个已经创建的爬虫项目,如下,到first_pjt项目目录下,输入命令即可查看项目命令。

G:\Python_item\scrapy\first_pjt>scrapy -hScrapy 2.0.1 - project: first_pjt
Usage: scrapy <command> [options] [args]
Available commands: bench Run quick benchmark test check Check spider contracts crawl Run a spider edit Edit spider fetch Fetch a URL using the Scrapy downloader genspider Generate new spider using pre-defined templates list List available spiders parse Parse URL (using its spider) and print the results 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
Use "scrapy <command> -h" to see more info about a command

        在这些命令里面,除去上面已经说过的全局命令,剩下的就是项目命令,主要有:bench、check、crawl、edit、genspider、list、parse。


1、bench命令

        可以测试本地硬件的性能,如下可看到我的电脑平均每分钟可以爬取3720个网页(太长了,仅列出部分结果,其余省略...)

G:\Python_item\scrapy\first_pjt>scrapy bench2020-07-03 21:26:35 [scrapy.utils.log] INFO: Scrapy 2.0.1 started (bot: first_pjt)2020-07-03 21:26:35 [scrapy.utils.log] INFO: Versions: lxml 4.5.0.0, libxml2 2.9.5, cssselect 1.1.0, parsel 1.5.2, w3lib 1.21.0, Twisted 20.3.0, Python 3.7.2 (tags/v3.7.2:9a3ffc0492, Dec 23 2018, 23:09:28) [MSC v.1916 64 bit (AMD64)], pyOpenSSL 19.1.0 (OpenSSL 1.1.1d 10 Sep 2019), cryptography 2.8, Platform Windows-10-10.0.18362-SP02020-07-03 21:26:36 [scrapy.crawler] INFO: Overridden settings:{'BOT_NAME': 'first_pjt', 'CLOSESPIDER_TIMEOUT': 10, 'LOGSTATS_INTERVAL': 1, 'LOG_LEVEL': 'INFO', 'NEWSPIDER_MODULE': 'first_pjt.spiders', 'ROBOTSTXT_OBEY': True, 'SPIDER_MODULES': ['first_pjt.spiders']}2020-07-03 21:26:36 [scrapy.extensions.telnet] INFO: Telnet Password: c7e2ab7e0d17a915.........2020-07-03 21:26:37 [scrapy.extensions.logstats] INFO: Crawled 62 pages (at 3720 pages/min), scraped 0 items (at 0 items


2、Genspider命令

        快速创建爬虫文件的方式,可以基于一个现有的模板直接生成一个新的爬虫文件。


        可用该命令的 -l 参数来查看当前可使用的爬虫模板,如下。

G:\Python_item\scrapy\first_pjt>scrapy genspider -lAvailable templates: basic crawl csvfeed xmlfeed


        比如,使用basic模板生成一个爬虫文件,格式为:scrapy genspider -t basic 新文件名 待爬取的域名  ,新生成文件在项目中的spiders文件夹里。

G:\Python_item\scrapy\first_pjt>scrapy genspider -t basic new_pjt http://cnplinker.cnpeak.com/Created spider 'new_pjt' using template 'basic' in module: first_pjt.spiders.new_pjt


        查看某个模板内容:scrapy genspider -d 模板名称

G:\Python_item\scrapy\first_pjt>scrapy genspider -d csvfeed# -*- coding: utf-8 -*-from scrapy.spiders import CSVFeedSpider
class $classname(CSVFeedSpider): name = '$name' allowed_domains = ['$domain'] start_urls = ['http://$domain/feed.csv'] # headers = ['id', 'name', 'description', 'image_link'] # delimiter = '\t'
# Do any adaptations you need here #def adapt_response(self, response): # return response
def parse_row(self, response, row): i = {} #i['url'] = row['url'] #i['name'] = row['name'] #i['description'] = row['description'] return i


3、check命令

        爬虫测试比较麻烦,所以在Scrapy中使用合同(contract)的方式对爬虫进行测试;check命令可以实现对某个爬虫文件进行合同检查。

G:\Python_item\scrapy\first_pjt>scrapy check new_pjt
----------------------------------------------------------------------Ran 0 contracts in 0.000sOK


4、Crawl命令

        可以通过此命令来启动某个爬虫,格式:scrapy crawl 爬虫名


5、edit命令

        linux系统下常用,win下不太好,直接用python IDE或者pycharm编辑吧!格式:scrapy edit 爬虫名


6、list命令

        可列出当前可使用的爬虫文件。

G:\Python_item\scrapy\first_pjt>scrapy listnew_pjt


7、parse命令

        可以实现获取指定url网址,并使用对应的爬虫文件进行处理和分析。
此命令有很多参数,可通过scrapy parse -h查看


parse命令常用参数表

参数
含义
--spider=SPIDER
强行指定某个爬虫文件spider进行处理
-a NAME=VALUE
设置spider的参数,可能会重复
--pipelines
通过它来处理items
--nolinks 不展示提取到的链接信息
--noitems 不展示得到的items
--nocolour 输出结果颜色不高亮
--rules, -r
使用CrawSpider规则去处理回调函数
--callback=CALLBACK, -c CALLBACK 设置spider中用于处理返回的响应的回调函数
--depth=DEPTH, -d DEPTH
设置爬行深度,默认为1
--verbose, -v
显示每层的详细信息


比如:

G:\Python_item\scrapy\first_pjt>scrapy parse http://www.baidu.com --spider=new_pjt --nolog
>>> STATUS DEPTH LEVEL 1 <<<# Scraped Items ------------------------------------------------------------[]# Requests -----------------------------------------------------------------[]

以上若描述有误,还请留言指出,谢谢!



麻烦点下右下角在看