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 -h
Scrapy 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.com
2020-07-03 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-SP0
2020-07-03 23:53:33 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.selectreactor.SelectReactor
2020-07-03 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 -h
Scrapy 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 bench
2020-07-03 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-SP0
2020-07-03 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 -l
Available 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 0.000s
OK
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 list
new_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 <<<
[]
[]
以上若描述有误,还请留言指出,谢谢!
麻烦点下右下角在看哦