Scrapy - Shell

描述

Scrapy shell 可以用来在没有错误代码的情况下抓取数据，无需使用爬虫。Scrapy shell 的主要目的是测试提取的代码、XPath 或 CSS 表达式。它还有助于指定您要从中抓取数据的网页。

配置 Shell

可以通过安装 IPython（用于交互式计算）控制台来配置 shell，它是一个强大的交互式 shell，可以提供自动补全、彩色输出等功能。

如果您在 Unix 平台上工作，最好安装 IPython。如果无法访问 IPython，也可以使用 bpython。

您可以通过设置名为 SCRAPY_PYTHON_SHELL 的环境变量或通过如下定义 scrapy.cfg 文件来配置 shell：

[settings]
shell = bpython

启动 Shell

可以使用以下命令启动 Scrapy shell：

scrapy shell <url>

url 指定需要抓取数据的 URL。

使用 Shell

Shell 提供了一些额外的快捷方式和 Scrapy 对象，如下表所述：

可用快捷方式

Shell 在项目中提供了以下可用快捷方式：

序号	快捷方式 & 描述
1	shelp() 它提供了可用的对象和快捷方式以及帮助选项。
2	fetch(request_or_url) 它从请求或 URL 中收集响应，并且关联的对象将被正确更新。
3	view(response) 您可以查看给定请求的响应，以便在本地浏览器中观察，并为了正确显示外部链接，它会将一个 base 标签附加到响应正文中。

序号

快捷方式 & 描述

shelp()

它提供了可用的对象和快捷方式以及帮助选项。

fetch(request_or_url)

它从请求或 URL 中收集响应，并且关联的对象将被正确更新。

view(response)

您可以查看给定请求的响应，以便在本地浏览器中观察，并为了正确显示外部链接，它会将一个 base 标签附加到响应正文中。

可用 Scrapy 对象

Shell 在项目中提供了以下可用 Scrapy 对象：

序号	对象 & 描述
1	crawler 它指定当前的爬虫对象。
2	spider 如果没有当前 URL 的爬虫，则它将通过定义新的爬虫来处理 URL 或爬虫对象。
3	request 它指定最后一个收集页面的请求对象。
4	response 它指定最后一个收集页面的响应对象。
5	settings 它提供了当前的 Scrapy 设置。

Shell 会话示例

让我们尝试抓取 scrapy.org 网站，然后开始从 reddit.com 抓取数据，如下所述。

在继续之前，首先我们将启动 shell，如下面的命令所示：

scrapy shell 'https://scrapy.net.cn' --nolog

在使用上述 URL 时，Scrapy 将显示可用的对象：

[s] Available Scrapy objects:
[s]   crawler    <scrapy.crawler.Crawler object at 0x1e16b50>
[s]   item       {}
[s]   request    <GET https://scrapy.net.cn >
[s]   response   <200 https://scrapy.net.cn >
[s]   settings   <scrapy.settings.Settings object at 0x2bfd650>
[s]   spider     <Spider 'default' at 0x20c6f50>
[s] Useful shortcuts:
[s]   shelp()           Provides available objects and shortcuts with help option
[s]   fetch(req_or_url) Collects the response from the request or URL and associated 
objects will get update
[s]   view(response)    View the response for the given request

接下来，开始使用对象，如下所示：

>> response.xpath('//title/text()').extract_first() 
u'Scrapy | A Fast and Powerful Scraping and Web Crawling Framework'  
>> fetch("http://reddit.com") 
[s] Available Scrapy objects: 
[s]   crawler     
[s]   item       {} 
[s]   request     
[s]   response   <200 https://www.reddit.com/> 
[s]   settings    
[s]   spider      
[s] Useful shortcuts: 
[s]   shelp()           Shell help (print this help) 
[s]   fetch(req_or_url) Fetch request (or URL) and update local objects 
[s]   view(response)    View response in a browser  
>> response.xpath('//title/text()').extract() 
[u'reddit: the front page of the internet']  
>> request = request.replace(method="POST")  
>> fetch(request) 
[s] Available Scrapy objects: 
[s]   crawler     
...

从爬虫中调用 Shell 以检查响应

您只能在期望获得该响应时检查从爬虫处理的响应。

例如：

import scrapy 

class SpiderDemo(scrapy.Spider): 
   name = "spiderdemo" 
   start_urls = [ 
      "http://mysite.com", 
      "http://mysite1.org", 
      "http://mysite2.net", 
   ]  
   
   def parse(self, response): 
      # You can inspect one specific response 
      if ".net" in response.url: 
         from scrapy.shell import inspect_response 
         inspect_response(response, self)

如上代码所示，您可以使用以下函数从爬虫中调用 shell 以检查响应：

scrapy.shell.inspect_response

现在运行爬虫，您将看到以下屏幕：

2016-02-08 18:15:20-0400 [scrapy] DEBUG: Crawled (200)  (referer: None) 
2016-02-08 18:15:20-0400 [scrapy] DEBUG: Crawled (200)  (referer: None) 
2016-02-08 18:15:20-0400 [scrapy] DEBUG: Crawled (200)  (referer: None) 
[s] Available Scrapy objects: 
[s]   crawler     
...  
>> response.url 
'http://mysite2.org'

您可以使用以下代码检查提取的代码是否有效：

>> response.xpath('//div[@class = "val"]')

它显示输出为

[]

以上行仅显示空白输出。现在您可以调用 shell 以检查响应，如下所示：

>> view(response)

它显示响应为

True

打印页面