创建项目
Syntax:
scrapy startproject <project_name> [project_dir]
需要项目: no
创建一个名为project_name
下project_dir
目录。如果project_dir
没有指定,project_dir
将与project_name
.
使用实例:$ scrapy startproject myproject
创建爬虫
- Syntax:
scrapy genspider [-t template] <name> <domain>
- 需要项目: no
在当前文件夹或当前项目的 spiders
文件夹(如果从项目内部调用)。这个 <name>
参数设置为spider的 name
,同时 <domain>
用于生成 allowed_domains
和 start_urls
蜘蛛的属性。
使用实例:
$ scrapy genspider -l
Available templates:
basic
crawl
csvfeed
xmlfeed
$ scrapy genspider example example.com
Created spider 'example' using template 'basic'
$ scrapy genspider -t crawl scrapyorg scrapy.org
Created spider 'scrapyorg' using template 'crawl'
这只是一个基于预先定义的模板创建spider的快捷命令,但肯定不是创建spider的唯一方法。您可以自己创建蜘蛛源代码文件,而不是使用这个命令。
运行爬虫
- Syntax:
scrapy crawl <spider>
- 需要项目: yes
开始用蜘蛛爬行。
用法示例:
$ scrapy crawl myspider
[ ... myspider starts crawling ... ]
检查爬虫
- Syntax:
scrapy check [-l] <spider>
- 需要项目: yes
运行合同检查。
用法示例:
$ scrapy check -l
first_spider
* parse
* parse_item
second_spider
* parse
* parse_item
$ scrapy check
[FAILED] first_spider:parse_item
>>> 'RetailPricex' field is missing
[FAILED] first_spider:parse
>>> Returned 92 requests, expected 0..4
爬虫列表
- Syntax:
scrapy list
- 需要项目: yes
列出当前项目中所有可用的spider。每行输出一个蜘蛛。
使用实例:
$ scrapy list
spider1
spider2
编辑爬虫
- Syntax:
scrapy edit <spider>
- 需要项目: yes
使用中定义的编辑器编辑给定的蜘蛛 EDITOR
环境变量或(如果未设置) EDITOR
设置。
这个命令仅作为最常见情况下的快捷方式提供,开发人员当然可以自由选择任何工具或IDE来编写和调试spider。
使用实例:
$ scrapy edit spider1
爬取特定url
- Syntax:
scrapy fetch <url>
- 需要项目: no
使用ScrapyDownloader下载给定的URL,并将内容写入标准输出。
这个命令的有趣之处在于它获取了蜘蛛如何下载它的页面。例如,如果蜘蛛 USER_AGENT
覆盖用户代理的属性,它将使用该属性。
所以这个命令可以用来“查看”蜘蛛如何获取特定的页面。
如果在项目之外使用,则不会应用特定的每蜘蛛行为,它只会使用默认的scrapy下载器设置。
支持的选项:
--spider=SPIDER
:绕过Spider自动检测并强制使用特定Spider--headers
:打印响应的HTTP头而不是响应的正文--no-redirect
:不遵循HTTP 3xx重定向(默认为遵循它们)
用法示例:
$ scrapy fetch --nolog http://www.example.com/some/page.html
[ ... html content here ... ]
$ scrapy fetch --nolog --headers http://www.example.com/
{'Accept-Ranges': ['bytes'],
'Age': ['1263 '],
'Connection': ['close '],
'Content-Length': ['596'],
'Content-Type': ['text/html; charset=UTF-8'],
'Date': ['Wed, 18 Aug 2010 23:59:46 GMT'],
'Etag': ['"573c1-254-48c9c87349680"'],
'Last-Modified': ['Fri, 30 Jul 2010 15:30:18 GMT'],
'Server': ['Apache/2.2.3 (CentOS)']}
查看特定url
- Syntax:
scrapy view <url>
- 需要项目: no
在浏览器中打开给定的URL,因为您的废蜘蛛会“看到”它。有时候蜘蛛看到的页面与普通用户不同,所以这可以用来检查蜘蛛“看到”什么,并确认它是你所期望的。
支持的选项:
--spider=SPIDER
:绕过Spider自动检测并强制使用特定Spider--no-redirect
:不遵循HTTP 3xx重定向(默认为遵循它们)
使用实例:
$ scrapy view http://www.example.com/some/page.html
[ ... browser starts ... ]
Debug模式特定的 url
- Syntax:
scrapy shell [url]
- 需要项目: no
为给定的URL(如果给定)启动scrapy shell;如果没有给定URL,则为空。还支持Unix风格的本地文件路径,无论是相对于 ./
或 ../
前缀或绝对文件路径。见 Scrapy shell 更多信息。
支持的选项:
--spider=SPIDER
:绕过Spider自动检测并强制使用特定Spider-c code
:评估shell中的代码,打印结果并退出--no-redirect
:不遵循HTTP 3xx重定向(默认为遵循它们);这只影响在命令行上作为参数传递的URL;一旦进入shell,fetch(url)
默认情况下仍将遵循HTTP重定向。
使用实例:
adminuser@Void:~/scrapyProject/FirstScrapy/FirstScrapy/spiders$ scrapy shell www.baidu.com
2021-08-25 21:51:11 [scrapy.utils.log] INFO: Scrapy 2.5.0 started (bot: FirstScrapy)
2021-08-25 21:51:11 [scrapy.utils.log] INFO: Versions: lxml 4.5.0.0, libxml2 2.9.10, cssselect 1.1.0, parsel 1.6.0, w3lib 1.22.0, Twisted 21.7.0, Python 3.8.10 (default, Jun 2 2021, 10:49:15) - [GCC 9.4.0], pyOpenSSL 20.0.1 (OpenSSL 1.1.1f 31 Mar 2020), cryptography 2.8, Platform Linux-5.10.0-1044-oem-x86_64-with-glibc2.29
2021-08-25 21:51:11 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.epollreactor.EPollReactor
2021-08-25 21:51:11 [scrapy.crawler] INFO: Overridden settings:
{'BOT_NAME': 'FirstScrapy',
'CONCURRENT_REQUESTS': 10000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000,
'CONCURRENT_REQUESTS_PER_DOMAIN': 10000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000,
'CONCURRENT_REQUESTS_PER_IP': 10000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000,
'COOKIES_ENABLED': False,
'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter',
'FEED_EXPORT_ENCODING': 'UTF-8',
'LOGSTATS_INTERVAL': 0,
'NEWSPIDER_MODULE': 'FirstScrapy.spiders',
'SPIDER_MODULES': ['FirstScrapy.spiders'],
'USER_AGENT': 'FirstScrapy (+http://www.yourdomain.com)'}
2021-08-25 21:51:11 [scrapy.extensions.telnet] INFO: Telnet Password: ca5875931d25a47f
2021-08-25 21:51:11 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
'scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.memusage.MemoryUsage']
2021-08-25 21:51:11 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
'scrapy.downloadermiddlewares.retry.RetryMiddleware',
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
2021-08-25 21:51:11 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
'scrapy.spidermiddlewares.referer.RefererMiddleware',
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
'scrapy.spidermiddlewares.depth.DepthMiddleware']
2021-08-25 21:51:11 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2021-08-25 21:51:11 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023
2021-08-25 21:51:11 [scrapy.core.engine] INFO: Spider opened
2021-08-25 21:51:13 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www.baidu.com> (referer: None)
2021-08-25 21:51:14 [asyncio] DEBUG: Using selector: EpollSelector
[s] Available Scrapy objects:
[s] scrapy scrapy module (contains scrapy.Request, scrapy.Selector, etc)
[s] crawler <scrapy.crawler.Crawler object at 0x7f06fd4b5040>
[s] item {}
[s] request <GET http://www.baidu.com>
[s] response <200 http://www.baidu.com>
[s] settings <scrapy.settings.Settings object at 0x7f06fd4b2c40>
[s] spider <DefaultSpider 'default' at 0x7f06fd1a4ee0>
[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
2021-08-25 21:51:14 [asyncio] DEBUG: Using selector: EpollSelector
In [1]: Debug 内容
解析特定url
- Syntax:
scrapy parse <url> [options]
- 需要项目: yes
获取给定的URL,并使用处理它的spider,使用 --callback
选项,或 parse
如果没有给出。
支持的选项:
--spider=SPIDER
:绕过Spider自动检测并强制使用特定Spider--a NAME=VALUE
:set spider参数(可以重复)--callback
或-c
:用作分析响应的回调的spider方法--meta
或-m
:将传递给回调请求的附加请求元。这必须是有效的JSON字符串。示例:—meta=’“foo”:“bar”’--cbkwargs
:将传递给回调的其他关键字参数。这必须是有效的JSON字符串。示例:—cbkwargs=’“foo”:“bar”’--pipelines
:通过管道处理项目--rules
或-r
使用CrawlSpider
发现用于解析响应的回调(即spider方法)的规则--noitems
:不显示爬取的项目--nolinks
:不显示提取的链接--nocolour
:避免使用Pygments对输出着色--depth
或-d
:应递归执行请求的深度级别(默认值:1)--verbose
或-v
:显示每个深度级别的信息--output
或-o
:将刮取的项目转储到文件
2.3 新版功能.
使用实例:
$ scrapy parse http://www.example.com/ -c parse_item
[ ... scrapy log lines crawling example.com spider ... ]
>>> STATUS DEPTH LEVEL 1 <<<
# Scraped Items ------------------------------------------------------------
[{'name': 'Example item',
'category': 'Furniture',
'length': '12 cm'}]
# Requests -----------------------------------------------------------------
[]
查看配置
- Syntax:
scrapy settings [options]
- 需要项目: no
获取 Scrapy 设置的值。
如果在项目中使用,它将显示项目设置值,否则它将显示该设置的默认 Scrapy 值。
示例用法:
$ scrapy settings --get BOT_NAME
scrapybot
$ scrapy settings --get DOWNLOAD_DELAY
0
运行特定爬虫文件
- Syntax:
scrapy runspider <spider_file.py>
- 需要项目: no
运行一个包含在python文件中的spider,而不必创建一个项目。
示例用法:
$ scrapy runspider myspider.py
[ ... spider starts crawling ... ]
补充:个人比较建议使用
crawl
命令
查看Scrapy
版本
- Syntax:
scrapy version [-v]
- 需要项目: no
打印残缺版本。如果使用 -v
它还打印python、twisted和platform信息,这对bug报告很有用。
Scrapy
基准测试套件
- Syntax:
scrapy bench
- 需要项目: no
Scrapy提供了一个简单的基准测试套件,可以生成一个本地HTTP服务器并以最大可能的速度爬行。这个基准测试的目标是了解Scrapy在硬件中的表现,以便有一个共同的比较基准。它使用一个简单的蜘蛛,它不做任何事情,只跟踪链接。
您应该看到这样的输出:
2016-12-16 21:18:48 [scrapy.utils.log] INFO: Scrapy 1.2.2 started (bot: quotesbot)
2016-12-16 21:18:48 [scrapy.utils.log] INFO: Overridden settings: {'CLOSESPIDER_TIMEOUT': 10, 'ROBOTSTXT_OBEY': True, 'SPIDER_MODULES': ['quotesbot.spiders'], 'LOGSTATS_INTERVAL': 1, 'BOT_NAME': 'quotesbot', 'LOG_LEVEL': 'INFO', 'NEWSPIDER_MODULE': 'quotesbot.spiders'}
2016-12-16 21:18:49 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.closespider.CloseSpider',
'scrapy.extensions.logstats.LogStats',
'scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.corestats.CoreStats']
2016-12-16 21:18:49 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
'scrapy.downloadermiddlewares.retry.RetryMiddleware',
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
2016-12-16 21:18:49 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
'scrapy.spidermiddlewares.referer.RefererMiddleware',
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
'scrapy.spidermiddlewares.depth.DepthMiddleware']
2016-12-16 21:18:49 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2016-12-16 21:18:49 [scrapy.core.engine] INFO: Spider opened
2016-12-16 21:18:49 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:18:50 [scrapy.extensions.logstats] INFO: Crawled 70 pages (at 4200 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:18:51 [scrapy.extensions.logstats] INFO: Crawled 134 pages (at 3840 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:18:52 [scrapy.extensions.logstats] INFO: Crawled 198 pages (at 3840 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:18:53 [scrapy.extensions.logstats] INFO: Crawled 254 pages (at 3360 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:18:54 [scrapy.extensions.logstats] INFO: Crawled 302 pages (at 2880 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:18:55 [scrapy.extensions.logstats] INFO: Crawled 358 pages (at 3360 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:18:56 [scrapy.extensions.logstats] INFO: Crawled 406 pages (at 2880 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:18:57 [scrapy.extensions.logstats] INFO: Crawled 438 pages (at 1920 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:18:58 [scrapy.extensions.logstats] INFO: Crawled 470 pages (at 1920 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:18:59 [scrapy.core.engine] INFO: Closing spider (closespider_timeout)
2016-12-16 21:18:59 [scrapy.extensions.logstats] INFO: Crawled 518 pages (at 2880 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:19:00 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 229995,
'downloader/request_count': 534,
'downloader/request_method_count/GET': 534,
'downloader/response_bytes': 1565504,
'downloader/response_count': 534,
'downloader/response_status_count/200': 534,
'finish_reason': 'closespider_timeout',
'finish_time': datetime.datetime(2016, 12, 16, 16, 19, 0, 647725),
'log_count/INFO': 17,
'request_depth_max': 19,
'response_received_count': 534,
'scheduler/dequeued': 533,
'scheduler/dequeued/memory': 533,
'scheduler/enqueued': 10661,
'scheduler/enqueued/memory': 10661,
'start_time': datetime.datetime(2016, 12, 16, 16, 18, 49, 799869)}
2016-12-16 21:19:00 [scrapy.core.engine] INFO: Spider closed (closespider_timeout)
这说明Scrapy可以在运行它的硬件中每分钟爬行大约3000页。请注意,这是一个非常简单的spider,用于跟踪链接,您编写的任何自定义spider都可能执行更多的操作,从而导致较慢的爬行速度。速度有多慢取决于你的蜘蛛做了多少,写得有多好。