scrapy框架之shell

scrapy shell

　　scrapy shell是一个交互式shell，您可以在其中快速调试 scrape 代码，而不必运行spider。它本来是用来测试数据提取代码的，但实际上您可以使用它来测试任何类型的代码，因为它也是一个常规的Python shell。

　　shell用于测试xpath或css表达式，并查看它们是如何工作的，以及它们从您试图抓取的网页中提取的数据。它允许您在编写spider时交互地测试表达式，而不必运行spider来测试每个更改。

一旦你熟悉了 Scrapy Shell，你就会发现它是开发和调试蜘蛛的宝贵工具。

配置shell

如果你有 IPython 安装后，scrapy shell将使用它（而不是标准的python控制台）。这个 IPython 控制台功能更强大，提供智能自动完成和彩色输出等功能。

通过Scrapy的设置，您可以将其配置为使用 ipython ， bpython 或标准 python shell，无论安装了什么。这是通过设置 SCRAPY_PYTHON_SHELL 环境变量；或通过在 scrapy.cfg ；

[settings]

shell = bpython

启动shell

使用 shell 命令如下：

scrapy shell <url>   # <url>是要抓取的url

shell 也适用于本地文件。如果你想玩一个网页的本地副本，这很方便。 shell 了解本地文件的以下语法：

# UNIX-style

scrapy shell ./path/to/file.html

scrapy shell ../other/path/to/file.html

scrapy shell /absolute/path/to/file.html

# File URI

scrapy shell file:///absolute/path/to/file.html

使用相对文件路径时，请使用 ./ （或） ../ 表示文件存储的路径

scrapy shell ./index.html

使用shell

scrappyshell只是一个普通的python控制台（或者 IPython 控制台，如果你有它的话），它提供一些额外的快捷功能，以方便。

可用的快捷方式

shelp() -打印有关可用对象和快捷方式列表的帮助

fetch(url[, redirect=True]) - 从给定URL获取一个新的响应，并相应地更新所有相关对象。您可以选择请求HTTP 3xx重定向，以避免传递

fetch(request) -从给定的请求中获取新的响应，并相应地更新所有相关对象。

view(response) -在本地Web浏览器中打开给定的响应以进行检查。这将增加一个 <base> tag 到响应主体，以便外部链接（如图像和样式表）正确显示。但是请注意，这将在您的计算机中创建一个临时文件，该文件不会自动删除。

可用的srapy对象

Scrapy Shell自动从下载的页面创建一些方便的对象，例如 Response 对象与 Selector 对象（用于HTML和XML内容）。

这些对象是：

crawler -电流 Crawler 对象。

spider -已知用于处理URL的蜘蛛，或 Spider 如果没有为当前URL找到spider，则为。

request -A Request 上次提取的页的对象。您可以使用修改此请求 replace() 或者使用 fetch 捷径。

response -A Response 包含上次提取的页的对象

settings - 当前scrapy的配置

Shell会话示例

下面是一个典型的shell会话的例子，我们从抓取https://scrappy.org页面开始，然后继续抓取https://reddit.com页面。最后，我们修改（reddit）请求方法来发布和重新获取它，得到一个错误。我们通过在Windows中键入ctrl-d（在UNIX系统中）或ctrl-z来结束会话。

请记住，在这里提取的数据在您尝试时可能不相同，因为这些页面不是静态的，在您测试时可能已经更改了。这个例子的唯一目的是让您熟悉下脚料外壳的工作原理。

首先，我们发射炮弹：

C:\Users\admin>scrapy shell www.scrapy.org --nolog

然后，shell获取URL（使用scrapy下载器）并打印可用对象和有用快捷方式的列表（您会注意到这些行都以 [s] 前缀）：

之后我们开始使用对象:

In [1]: response.xpath('//title/text()').get()   # 获取网页title

Out[1]: 'Scrapy | A Fast and Powerful Scraping and Web Crawling Framework'

In [5]: fetch('https://www.osgeo.cn/scrapy/topics/shell.html')  # 切换网址

In [6]: response.xpath('//title//text()').get()   # 获取网页title

Out[6]: 'Scrapy shell — Scrapy 1.7.0 文档'

In [7]: request = request.replace(method='post')   # 改变request的请求方式为post

In [8]: fetch(request)    # 从新请求上面的网址

In [9]: response.status   # 响应状态码

Out[9]: 405

In [10]: from pprint import pprint   # 导入模块pprint

In [11]: pprint(response.headers)   # 打印请求头

{b'Content-Type': [b'text/html'],

 b'Date': [b'Sat, 10 Aug 2019 04:08:19 GMT'],

 b'Server': [b'nginx/1.10.3']}

In [12]: pprint(type(response.headers))   # 打印类型

<class 'scrapy.http.headers.Headers'>

从spiders调用shell来检查响应

有时，您希望检查在您的蜘蛛的某个点上正在处理的响应，如果只是检查您期望的响应是否到达那里的话。

这可以通过使用 scrapy.shell.inspect_response 功能。

下面是一个例子，说明如何从您的蜘蛛中命名它：

import scrapy

class MySpider(scrapy.Spider):

    name = "myspider"

    start_urls = [

        "http://example.com",

        "http://example.org",

        "http://example.net",

    ]

    def parse(self, response):

        # We want to inspect one specific response.

        if ".org" in response.url:

            from scrapy.shell import inspect_response

            inspect_response(response, self)

        # Rest of parsing code.

当你运行蜘蛛时，你会得到类似的东西：

2014-01-23 17:48:31-0400 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://example.com> (referer: None)

2014-01-23 17:48:31-0400 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://example.org> (referer: None)

[s] Available Scrapy objects:

[s]   crawler    <scrapy.crawler.Crawler object at 0x1e16b50>

...

>>> response.url

'http://example.org'

然后，您可以检查提取代码是否工作：

>>> response.xpath('//h1[@class="fn"]')

[]

不，不是这样的。所以您可以在Web浏览器中打开响应，看看它是否是您期望的响应：

>>> view(response)

True

最后，单击ctrl-d（或在Windows中单击ctrl-z）退出shell并继续爬网：

>>> ^D

2014-01-23 17:50:03-0400 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://example.net> (referer: None)

...

请注意，您不能使用 fetch 这里的快捷方式，因为报废的引擎被shell挡住了。然而，当你离开shell后，蜘蛛会继续在它停止的地方爬行，如上图所示。

示例:

# -*- coding: utf-8 -*-

import scrapy

class DowloadTaobaoSpider(scrapy.Spider):

    name = 'dowload_taobao'

    allowed_domains = ['www.taobao.com']

    start_urls = ['http://www.taobao.com/']

    def parse(self, response):

        if '.com' in response.url:

            from scrapy.shell import inspect_response

            inspect_response(response,self)