python爬虫系列（三）scrapy基本概念

Scrapy项目的默认结构

欲深入研究爬虫，那就先把这个scrapy的基础概念搞懂。下面我们先看下scrapy的基础目录结构

scrapy.cfg
myproject/
    __init__.py
    items.py
    middlewares.py
    pipelines.py
    settings.py
    spiders/
        __init__.py
        spider1.py
        spider2.py
        ...

scrapy.cfg文件所在的目录称为项目根目录。该文件包含定义项目设置的python模块的名称。比如：

[settings]
default = myproject.settings

scrapy指令

打印一些使用帮助和可用命令：

Scrapy X.Y - no active project

Usage:
  scrapy <command> [options] [args]

Available commands:
  crawl         Run a spider
  fetch         Fetch a URL using the Scrapy downloader
[...]

如果您在Scrapy项目中，第一行将打印当前活动的项目。在上面，它是从项目外部运行的。如果从项目内部运行，它将打印出如下内容：

Scrapy X.Y - project: myproject

Usage:
  scrapy <command> [options] [args]

[...]

创建项目

一般我们使用scrapy的第一件事肯定是创建项目

scrapy startproject myproject [project_dir]

这将在project_dir目录下创建一个Scrapy项目。如果project_dir没有指定，project_dir将是相同的myproject。
接下来，进入新项目目录：

cd project_dir

管理项目

例如，要创建一个新蜘蛛：

scrapy genspider mydomain mydomain.com

某些Scrapy命令（如crawl）必须从Scrapy项目内部运行。
还要记住，某些命令在从项目内部运行时可能会略有不同的行为。例如，user_agent如果获取的url与某个特定的spider相关联，则fetch命令将使用spider-overridden（例如覆盖用户代理的属性）。因为该fetch命令旨在用于检查蜘蛛如何下载页面。

查看更多信息

您还在任何地方可以通过运行以获取有关每个命令的更多信息：

scrapy <command> -h

或者

scrapy -h

全局命令：

startproject
genspider
settings
runspider
shell
fetch
view
version

仅限项目的命令：

crawl
check
list
edit
parse
bench

startproject命令

句法： scrapy startproject <project_name> [project_dir]

project_name在project_dir 目录下创建一个名为的新Scrapy项目。如果project_dir没有指定，project_dir将是相同的project_name。
示例：

$ scrapy startproject myproject

genspider

句法： scrapy genspider [-t template] <name> <domain>

spiders如果从项目内部调用，则在当前文件夹或当前项目的文件夹中创建新的蜘蛛。该参数设置为蜘蛛的name，而用于生成allowed_domains和start_urls蜘蛛的属性。
示例：

$ 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'

这只是一个方便的快捷方式命令，用于根据预定义的模板创建蜘蛛，但肯定不是创建蜘蛛的唯一方法。您可以自己创建蜘蛛源代码文件，而不是使用此命令。

抓取

句法： scrapy crawl <spider>

使用蜘蛛开始抓取。
示例：


    $ scrapy crawl myspider
[ ... myspider starts crawling ... ]

检查

句法： scrapy check [-l] <spider>

运行规则检查。
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

列表

句法： scrapy list

列出当前项目中的所有可用蜘蛛。输出是每行一个蜘蛛。
示例：

$ scrapy list
spider1
spider2

编辑

句法： scrapy edit <spider>

使用EDITOR环境变量中定义的编辑器或（如果未设置）EDITOR设置编辑给定的蜘蛛。

此命令仅作为最常见情况的便捷快捷方式提供，开发人员当然可以自由选择任何工具或IDE来编写和调试蜘蛛。
示例：

$ scrapy edit spider1

获取

句法： scrapy fetch <url>

使用Scrapy下载程序下载给定的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下载它的页面。例如，如果蜘蛛具有USER_AGENT 覆盖用户代理的属性，则它将使用该属性。

因此，此命令可用于“查看”您的蜘蛛如何获取某个页面。

如果在项目外部使用，则不会应用特定的每蜘蛛行为，它将仅使用默认的Scrapy下载程序设置。

支持的选项：

–spider=SPIDER：绕过蜘蛛自动检测并强制使用特定的蜘蛛
–headers：打印响应的HTTP标头而不是响应的正文
–no-redirect：不要遵循HTTP 3xx重定向（默认是遵循它们）
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)']}

视图

句法： scrapy view <url>

在浏览器中打开给定的URL，因为您的Scrapy蜘蛛会“看到”它。有时蜘蛛会看到不同于普通用户的页面，因此可以用来检查蜘蛛“看到”的内容并确认它是您所期望的。

支持的选项：

–spider=SPIDER：绕过蜘蛛自动检测并强制使用特定的蜘蛛
–no-redirect：不要遵循HTTP 3xx重定向（默认是遵循它们）
示例：

$ scrapy view http://www.example.com/some/page.html
[ ... browser starts ... ]

外壳

句法： scrapy shell [url]

为给定的URL启动Scrapy shell（如果给定），如果没有给出URL，则为空。还支持UNIX样式的本地文件路径，相对于 ./或…/前缀或绝对文件路径。有关详细信息，请参阅Scrapy shell。

支持的选项：

–spider=SPIDER：绕过蜘蛛自动检测并强制使用特定的蜘蛛
-c code：评估shell中的代码，打印结果并退出
–no-redirect：不要遵循HTTP 3xx重定向（默认是遵循它们）; 这只会影响您在命令行中作为参数传递的URL; 一旦进入shell，fetch(url)默认情况下仍会遵循HTTP重定向。
示例：

$ scrapy shell http://www.example.com/some/page.html
[ ... scrapy shell starts ... ]

$ scrapy shell --nolog http://www.example.com/ -c '(response.status, response.url)'
(200, 'http://www.example.com/')

# shell follows HTTP redirects by default
$ scrapy shell --nolog http://httpbin.org/redirect-to?url=http%3A%2F%2Fexample.com%2F -c '(response.status, response.url)'
(200, 'http://example.com/')

# you can disable this with --no-redirect
# (only for the URL passed as command line argument)
$ scrapy shell --no-redirect --nolog http://httpbin.org/redirect-to?url=http%3A%2F%2Fexample.com%2F -c '(response.status, response.url)'
(302, 'http://httpbin.org/redirect-to?url=http%3A%2F%2Fexample.com%2F')

解析

句法： scrapy parse <url> [options]

获取给定的URL并使用处理它的蜘蛛解析它，使用随–callback选项传递的方法，或者parse如果没有给出。

支持的选项：

–spider=SPIDER：绕过蜘蛛自动检测并强制使用特定的蜘蛛
–a NAME=VALUE：设置蜘蛛参数（可能重复）
–callback或-c：用作解析响应的回调的spider方法
–meta或-m：将传递给回调请求的其他请求元。这必须是有效的json字符串。示例：-meta =’{“foo”：“bar”}’
–pipelines：通过管道处理项目
–rules或-r：使用CrawlSpider 规则来发现用于解析响应的回调（即蜘蛛方法）
–noitems：不显示刮下的物品
–nolinks：不显示提取的链接
–nocolour：避免使用pygments为输出着色
–depth或-d：递归请求的深度级别（默认值：1）
–verbose或-v：显示每个深度级别的信息
示例：

$ scrapy parse http://www.example.com/ -c parse_item
[ ... scrapy log lines crawling example.com spider ... ]

>>> STATUS DEPTH LEVEL 1 <<<
# Scraped Items  ------------------------------------------------------------
[{'name': u'Example item',
 'category': u'Furniture',
 'length': u'12 cm'}]

# Requests  -----------------------------------------------------------------
[]

设置

句法： scrapy settings [options]

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：

$ scrapy settings --get BOT_NAME
scrapybot
$ scrapy settings --get DOWNLOAD_DELAY
0

runspider

句法： scrapy runspider <spider_file.py>

在Python文件中运行自包含的蜘蛛，而无需创建项目。
示例：

$ scrapy runspider myspider.py
[ ... spider starts crawling ... ]