Scrapy 爬虫 使用指南 完全教程
scrapy note
command
全局命令:
startproject ：在 project_name 文件夹下创建一个名为 project_name 的Scrapy项目。
scrapy startproject myproject
- settings：在项目中运行时，该命令将会输出项目的设定值，否则输出Scrapy默认设定。
- runspider：在未创建项目的情况下，运行一个编写在Python文件中的spider。
- shell：以给定的URL(如果给出)或者空(没有给出URL)启动Scrapy shell。
fetch：使用Scrapy下载器(downloader)下载给定的URL，并将获取到的内容送到标准输出。
scrapy fetch --nolog --headers http://www.example.com/
view：在浏览器中打开给定的URL，并以Scrapy spider获取到的形式展现。
scrapy view http://www.example.com/some/page.html
version：输出Scrapy版本。
项目(Project-only)命令:
- crawl：使用spider进行爬取。
- scrapy crawl myspider
- check：运行contract检查。
- scrapy check -l
- list：列出当前项目中所有可用的spider。每行输出一个spider。
edit parse：获取给定的URL并使用相应的spider分析处理。如果您提供 --callback 选项，则使用spider的该方法处理，否则使用 parse 。
--spider=SPIDER: 跳过自动检测spider并强制使用特定的spider --a NAME=VALUE: 设置spider的参数(可能被重复) --callback or -c: spider中用于解析返回(response)的回调函数 --pipelines: 在pipeline中处理item --rules or -r: 使用 CrawlSpider 规则来发现用来解析返回(response)的回调函数 --noitems: 不显示爬取到的item --nolinks: 不显示提取到的链接 --nocolour: 避免使用pygments对输出着色 --depth or -d: 指定跟进链接请求的层次数(默认: 1) --verbose or -v: 显示每个请求的详细信息 scrapy parse http://www.example.com/ -c parse_item
genspider：在当前项目中创建spider。
scrapy genspider [-t template] <name> <domain> scrapy genspider -t basic example example.com
- deploy：将项目部署到Scrapyd服务。
bench：运行benchmark测试。
使用选择器(selectors)
body = '<html><body><span>good</span></body></html>'
Selector(text=body).xpath('//span/text()').extract()
response = HtmlResponse(url='http://example.com', body=body)
Selector(response=response).xpath('//span/text()').extract()Scrapy提供了两个实用的快捷方式: response.xpath() 及 response.css()
>>>response.xpath('//base/@href').extract()
>>>response.css('base::attr(href)').extract()
>>>response.xpath('//a[contains(@href, "image")]/@href').extract()
>>>response.css('a[href*=image]::attr(href)').extract()
>>>response.xpath('//a[contains(@href, "image")]/img/@src').extract()
>>>response.css('a[href*=image] img::attr(src)').extract()嵌套选择器(selectors)
选择器方法( .xpath() or .css() )返回相同类型的选择器列表，因此你也可以对这些选择器调用选择器方法。下面是一个例子:
links = response.xpath('//a[contains(@href, "image")]')
for index, link in enumerate(links):
args = (index, link.xpath('@href').extract(), link.xpath('img/@src').extract())
print 'Link number %d points to url %s and image %s' % args结合正则表达式使用选择器(selectors)
Selector 也有一个 .re() 方法，用来通过正则表达式来提取数据。然而，不同于使用 .xpath() 或者 .css() 方法, .re() 方法返回unicode字符串的列表。所以你无法构造嵌套式的 .re() 调用。
>>> response.xpath('//a[contains(@href, "image")]/text()').re(r'Name:\s*(.*)')使用相对XPaths
>>>for p in divs.xpath('//p'): # this is wrong - gets all <p> from the whole document
... print p.extract()
>>>for p in divs.xpath('.//p'): # extracts all <p> inside
... print p.extract()
>>>for p in divs.xpath('p'): #gets all <p> from the whole document
... print p.extract()例如在XPath的 starts-with() 或 contains() 无法满足需求时， test() 函数可以非常有用。
>>>sel.xpath('//li//@href').extract()
>>>sel.xpath('//li[re:test(@class, "item-\d$")]//@href').extract()XPATH TIPS
- Avoid using contains(.//text(), ‘search text’) in your XPath conditions. Use contains(., ‘search text’) instead.
- Beware of the difference between //node[1] and (//node)[1]
- When selecting by class, be as specific as necessary，When querying by class, consider using CSS
- Learn to use all the different axes
- Useful trick to get text content
Item Loaders
populate items
def parse(self, response):
l = ItemLoader(item=Product(), response=response)
l.add_xpath('name', '//div[@class="product_name"]')
l.add_xpath('name', '//div[@class="product_title"]')
l.add_xpath('price', '//p[@id="price"]')
l.add_css('stock', 'p#stock]')
l.add_value('last_updated', 'today') # you can also use literal values
return l.load_item()Item Pipeline
- 清理HTML数据
- 验证爬取的数据(检查item包含某些字段)
- 查重(并丢弃)
- 将爬取结果保存到数据库中
编写你自己的item pipeline
每个item pipeline组件都需要调用该方法，这个方法必须返回一个 Item (或任何继承类)对象， 或是抛出 DropItem 异常，被丢弃的item将不会被之后的pipeline组件所处理。
参数:
- item (Item 对象) – 被爬取的item
- spider (Spider 对象) – 爬取该item的spider
Write items to MongoDB
import pymongo
class MongoPipeline(object):
def__init__(self, mongo_uri, mongo_db):
self.mongo_uri = mongo_uri
self.mongo_db = mongo_db
@classmethod
def from_crawler(cls, crawler):
return cls(
mongo_uri=crawler.settings.get('MONGO_URI'),
mongo_db=crawler.settings.get('MONGO_DATABASE', 'items')
)
def open_spider(self, spider):
self.client = pymongo.MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
def close_spider(self, spider):
self.client.close()
def process_item(self, item, spider):
collection_name = item.__class__.__name__
self.db[collection_name].insert(dict(item))
return item为了启用一个Item Pipeline组件，你必须将它的类添加到 ITEM_PIPELINES 配置，就像下面这个例子:
ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 300,
'myproject.pipelines.JsonWriterPipeline': 800,
}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。
实践经验
同一进程运行多个spider
相关推荐
CycloneKid 2020-10-27
ZHANGRENXIANG00 2020-06-28
fangjack 2020-06-25
qyf 2020-06-14
javaraylu 2020-05-16
hilary0 2020-05-15
fangjack 2020-05-08
kikaylee 2020-05-05
sunzhihaofuture 2020-07-19
sunzhihaofuture 2020-06-06
oXiaoChong 2020-06-05
ARCXIANG 2020-06-05
夜斗不是神 2020-11-17
染血白衣 2020-11-16
ARCXIANG 2020-11-02
ARCXIANG 2020-10-28
荒谬小孩 2020-10-26
逍遥友 2020-10-26