Scrapy Shell

Scrapy终端是一个交互终端，我们可以在未启动spider的情况下尝试及调试代码，也可以用来测试XPath或CSS表达式，查看他们的工作方式，方便我们爬取的网页中提取的数据。

启动Scrapy Shell

进入项目的根目录，执行下列命令来启动shell:

  1. scrapy shell "http://www.itcast.cn/channel/teacher.shtml"　　

Scrapy Shell根据下载的页面会自动创建一些方便使用的对象，例如： Response对象、 Selector 对象 (对HTML及XML内容)。

  • 当shell载入后，将得到一个包含response数据的本地 response变量，输入 response.body将输出response的包体，输出 response.headers 可以看到response的包头。

  • 输入 response.selector 时， 将获取到一个response 初始化的类 Selector 的对象，此时可以通过使用 response.selector.xpath()或response.selector.css() 来对 response 进行查询。

  • Scrapy也提供了一些快捷方式, 例如 response.xpath()或response.css()同样可以生效（如之前的案例）。　

Selectors选择器

Scrapy Selectors 内置 XPath 和 CSS Selector 表达式机制

Selector有四个基本的方法，最常用的还是xpath:

  • xpath(): 传入xpath表达式，返回该表达式所对应的所有节点的selector list列表
  • extract(): 序列化该节点为Unicode字符串并返回list
  • css(): 传入CSS表达式，返回该表达式所对应的所有节点的selector list列表，语法同 BeautifulSoup4
  • re(): 根据传入的正则表达式对数据进行提取，返回Unicode字符串list列表

XPath表达式的例子及对应的含义:

  1. /html/head/title: 选择<HTML>文档中 <head> 标签内的 <title> 元素
  2. /html/head/title/text(): 选择上面提到的 <title> 元素的文字
  3. //td: 选择所有的 <td> 元素
  4. //div[@class="mine"]: 选择所有具有 class="mine" 属性的 div 元素

Selector爬取腾讯社招网站：

地址：http://hr.tencent.com/position.php?&start=0#a

  1. # 启动
  2. scrapy shell "http://hr.tencent.com/position.php?&start=0#a"
  3.  
  4. # 返回 xpath选择器对象列表
  5. response.xpath('//title')
  6. [<Selector xpath='//title' data=u'<title>\u804c\u4f4d\u641c\u7d22 | \u793e\u4f1a\u62db\u8058 | Tencent \u817e\u8baf\u62db\u8058</title'>]
  7.  
  8. # 使用 extract()方法返回 Unicode字符串列表
  9. response.xpath('//title').extract()
  10. [u'<title>\u804c\u4f4d\u641c\u7d22 | \u793e\u4f1a\u62db\u8058 | Tencent \u817e\u8baf\u62db\u8058</title>']
  11.  
  12. # 打印列表第一个元素，终端编码格式显示
  13. print response.xpath('//title').extract()[0]
  14. <title>职位搜索 | 社会招聘 | Tencent 腾讯招聘</title>
  15.  
  16. # 返回 xpath选择器对象列表
  17. response.xpath('//title/text()')
  18. <Selector xpath='//title/text()' data=u'\u804c\u4f4d\u641c\u7d22 | \u793e\u4f1a\u62db\u8058 | Tencent \u817e\u8baf\u62db\u8058'>
  19.  
  20. # 返回列表第一个元素的Unicode字符串
  21. response.xpath('//title/text()')[0].extract()
  22. u'\u804c\u4f4d\u641c\u7d22 | \u793e\u4f1a\u62db\u8058 | Tencent \u817e\u8baf\u62db\u8058'
  23.  
  24. # 按终端编码格式显示
  25. print response.xpath('//title/text()')[0].extract()
  26. 职位搜索 | 社会招聘 | Tencent 腾讯招聘
  27.  
  28. response.xpath('//*[@class="even"]')
  29. 职位名称:
  30.  
  31. print site[0].xpath('./td[1]/a/text()').extract()[0]
  32. TEG15-运营开发工程师（深圳）
  33. 职位名称详情页:
  34.  
  35. print site[0].xpath('./td[1]/a/@href').extract()[0]
  36. position_detail.php?id=20744&keywords=&tid=0&lid=0
  37. 职位类别:
  38.  
  39. print site[0].xpath('./td[2]/text()').extract()[0]

官方文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/shell.html

Item Pipeline

当Item在Spider中被收集之后，它将会被传递到Item Pipeline，这些Item Pipeline组件按定义的顺序处理Item。

Item Pipeline的典型应用：

  • 验证爬取的数据（检查item包含某些字段，比如说name字段）
  • 查重（并丢弃）
  • 将爬取结果保存到文件或者数据库中

Item Pipeline编写

item pipiline组件是一个独立的Python类，其中process_item()方法必须实现：

  1. import something
  2.  
  3. class SomethingPipeline(object):
  4.     def __init__(self):
  5.         # 可选实现，做参数初始化等
  6.         # doing something
  7.  
  8.     def process_item(self, item, spider):
  9.         # item (Item 对象) – 被爬取的item
  10.         # spider (Spider 对象) – 爬取该item的spider
  11.         # 这个方法必须实现，每个item pipeline组件都需要调用该方法，
  12.         # 这个方法必须返回一个 Item 对象，被丢弃的item将不会被之后的pipeline组件所处理。
  13.         return item
  14.  
  15.     def open_spider(self, spider):
  16.         # spider (Spider 对象) – 被开启的spider
  17.         # 可选实现，当spider被开启时，这个方法被调用。
  18.  
  19.     def close_spider(self, spider):
  20.         # spider (Spider 对象) – 被关闭的spider
  21.         # 可选实现，当spider被关闭时，这个方法被调用

完善之前的案例：

item写入JSON文件

以下pipeline将所有(从所有'spider'中)爬取到的item，存储到一个独立地items.json 文件，每行包含一个序列化为'JSON'格式的'item':

  1. import json
  3. class ItcastJsonPipeline(object):
  5.     def __init__(self):
  6.         self.file = open('teacher.json', 'wb')
  8.     def process_item(self, item, spider):
  9.         content = json.dumps(dict(item), ensure_ascii=False) + "\n"
  10.         self.file.write(content)
  11.         return item
  13.     def close_spider(self, spider):
  14.         self.file.close()

启用一个Item Pipeline组件

为了启用Item Pipeline组件，必须将它的类添加到 settings.py文件ITEM_PIPELINES 配置，就像下面这个例子:

  1. # Configure item pipelines
  2. # See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
  3. ITEM_PIPELINES = {
  4.     #'mySpider.pipelines.SomePipeline': 300,
  5.     "mySpider.pipelines.ItcastJsonPipeline":300
  6. }

分配给每个类的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内（0-1000随意设置，数值越低，组件的优先级越高）

重新启动爬虫

将parse()方法改为4.2中最后思考中的代码，然后执行下面的命令：

  1. scrapy crawl itcast

查看当前目录是否生成teacher.json

Python爬虫开发【第1篇】【Scrapy shell】的更多相关文章

  1. Python爬虫开发与项目实战

    Python爬虫开发与项目实战(高清版)PDF 百度网盘 链接:https://pan.baidu.com/s/1MFexF6S4No_FtC5U2GCKqQ 提取码:gtz1 复制这段内容后打开百度 ...

  2. Python爬虫开发与项目实战pdf电子书|网盘链接带提取码直接提取|

    Python爬虫开发与项目实战从基本的爬虫原理开始讲解,通过介绍Pthyon编程语言与HTML基础知识引领读者入门,之后根据当前风起云涌的云计算.大数据热潮,重点讲述了云计算的相关内容及其在爬虫中的应 ...

  3. Python爬虫开发

    1. 语法入门 Python教程 2. 爬虫学习系列教程 1)宁哥的小站 https://github.com/lining0806/PythonSpiderNotes 2)Python爬虫开发 3) ...

  4. python爬虫---js加密和混淆,scrapy框架的使用.

    python爬虫---js加密和混淆,scrapy框架的使用. 一丶js加密和js混淆 js加密 ​ 对js源码进行加密,从而保护js代码不被黑客窃取.(一般加密和解密的方法都在前端) http:// ...

  5. Python爬虫开发【第1篇】【Scrapy框架】

    Scrapy 框架介绍 Scrapy是用纯Python实现一个为了爬取网站数据.提取结构性数据而编写的应用框架. Srapy框架,用户只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页内容以 ...

  6. Python爬虫开发教程

     正文   现在Python语言大火,在网络爬虫.人工智能.大数据等领域都有很好的应用.今天我向大家介绍一下Python爬虫的一些知识和常用类库的用法,希望能对大家有所帮助.其实爬虫这个概念很简单,基 ...

  7. 记一次Python爬虫开发经历

    为啥要做Python爬虫,是因为我去找电影的某个网站有点坑,它支持tag标签查询自己喜欢的电影,但是不支持双标签或者三标签查询.由于一个电影对应多种类型(tag),这就意味着,我需要进入这个电影介绍界 ...

  8. Python爬虫爬取一篇韩寒新浪博客

    网上看到大神对Python爬虫爬到非常多实用的信息,认为非常厉害.突然对想学Python爬虫,尽管自己没学过Python.但在网上找了一些资料看了一下,看到爬取韩寒新浪博客的视频.共三集,第一节讲爬取 ...

  9. python爬虫入门（6）-Scrapy基本使用

    源码:链接:http://pan.baidu.com/s/1dEK82hb 密码:9flo   创建项目                                 scrapy startpro ...

随机推荐

  1. 6. 将单独表空间（File-Per-Table Tablespaces）复制到另一个实例

    6. 将单独表空间复制到另一个实例 本节介绍如何将单独表空间从一个MySQL实例复制 到另一个MySQL实例,也称为可传输表空间功能. 将InnoDB单独表空间复制到其他实例的原因有很多: - 在不对 ...

  2. xfs文件系统修复

    1. 错误描述 启动CentOS7系统,发现进步了图形界面,并报如下错误: Error getting authority: Error initializing authority: Could n ...

  3. NLog在asp.net core中的应用

    Asp.net core中,自带的Log是在当selfhost运行时,在控制台中输出,不便于查阅,如果用一个log架框,把日志持久化,便于查询. NLog是一个免费的日志记录框架,专门为.net平台下 ...

  4. STL中set求交集、并集、差集的方法

    并集(http://zh.cppreference.com/w/cpp/algorithm/set_union) 交集(http://zh.cppreference.com/w/cpp/algorit ...

  5. Tomcat 7.0.3x 启动慢并且遇到StackOverflowError的异常的解决办法

    http://qiuboboy.iteye.com/blog/1853216 使用tomcat 7.0.3x版本的同学可以发现tomcat启动慢了不少，而且还可能遇到如下启动时异常： Unable t ...

  6. Leetcode 301.删除无效的括号

    删除无效的括号 删除最小数量的无效括号,使得输入的字符串有效,返回所有可能的结果. 说明: 输入可能包含了除 ( 和 ) 以外的字符. 示例 1: 输入: "()())()" 输出 ...

  7. PHP加速之eaccelerator

    eaccelerator简介: eAccelerator是一个自由开放源码php加速器,优化和动态内容缓存,提高了php脚本的缓存性能,使得PHP脚本在编译的状态下,对服务器的开销几乎完全消除. 它还 ...

  8. [codeforces724E]Goods transportation

    [codeforces724E]Goods transportation 试题描述 There are n cities located along the one-way road. Cities ...

  9. 聪明的猴子（BZOJ 2429）

    题目描述 在一个热带雨林中生存着一群猴子,它们以树上的果子为生.昨天下了一场大雨,现在雨过天晴,但整个雨林的地表还是被大水淹没着,部分植物的树冠露在水面上.猴子不会游泳,但跳跃能力比较强,它们仍然可以 ...

  10. WebService流行框架CXF

    CXF官方网址:http://cxf.apache.org/   CXF官方网址:官网学习地址:http://cxf.apache.org/docs/index.html   官网下载cxf压缩文件: ...