Python Scrapy 命令行工具

scrapy.cfg存放的目录认定是 项目的根目录

scrapy 针对不同目的提供了多个命令。

创建项目

$ scrapy startproject my_pro

有些Scrapy命令(比如crawl)要求必须在Scrapy项目中运行，有些则不用

# 全局命令（不需要在项目中执行）：
startproject
settings
runspider
shell
fetch
view
version

# 项目命令（必须在项目中执行）：
crawl
check
list
edit
parse
genspider
bench

命令注解

startproject

语法:scrapy startproject <project_name>
全局命令

在 project_name 文件夹下创建一个名为 project_name 的Scrapy项目，如上边例子。

genspider

语法:scrapy genspider [-t template] <name> <domain>
项目命令

在当前项目中创建spider。

这仅仅是创建spider的一种快捷方法。该方法可以使用提前定义好的模板来生成spider。您也可以自己创建spider的源码文件。

查看模板的方法如下：

# 查看模板
$ scrapy genspider -l
Available templates:
  basic
  crawl
  csvfeed
  xmlfeed

# 编辑模板
$ scrapy genspider -d basic
# -*- coding: utf-8 -*-
import scrapy


class $classname(scrapy.Spider):
    name = "$name"
    allowed_domains = ["$domain"]
    start_urls = (
        'http://www.$domain/',
    )

    def parse(self, response):
        pass

根据模板来生成spider：

$ scrapy genspider -t basic sina sina.com

$ scrapy genspider baidu baidu.com

$ scrapy genspider zhihu zhihu.com

$ scrapy list
baidu
sina
zhihu

$ ls my_pro/spiders/
baidu.py  baidu.pyc  __init__.py  __init__.pyc  sina.py  sina.pyc  zhihu.py  zhihu.pyc

crawl

语法:scrapy crawl <spider>
项目命令

使用spider进行爬取

# 例子
$ scrapy crawl myspider

check

语法:scrapy check [-l] <spider>
项目命令

运行contract检查。

list

语法:scrapy list
项目命令

列出当前项目中所有可用的spider。每行输出一个spider。

# 例子
$ scrapy list
baidu
sina
zhihu

edit

语法:scrapy edit <spider>
项目命令

使用 EDITOR 中设定的编辑器编辑给定的spider

# 例子
$ scrapy edit baidu

fetch

语法:scrapy fetch <url>
全局命令或项目命令，但结果不同

使用Scrapy下载器(downloader)下载给定的URL

该命令以spider下载页面的方式获取页面。例如，如果spider有 USER_AGENT 属性修改了 User Agent，该命令将会使用该属性。

因此，您可以使用该命令来查看spider如何获取某个特定页面。

该命令如果非项目中运行则会使用默认Scrapy downloader设定。

# 例子：项目外边执行

$ scrapy fetch --nolog --headers http://www.baidu.com
> Accept-Language: en
> Accept-Encoding: gzip,deflate
> Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
> User-Agent: Scrapy/1.1.1 (+http://scrapy.org)
>
< Bdqid: 0xfbf98a3b0000db32
...
...
...

$ scrapy fetch --nolog  http://www.baidu.com
...
...
...

view

语法:scrapy view <url>
全局命令

在浏览器中打开给定的URL，并以Scrapy spider获取到的形式展现。有些时候spider获取到的页面和普通用户看到的并不相同。因此该命令可以用来检查spider所获取到的页面，并确认这是您所期望的。

$ scrapy view http://www.baidu.com

shell

语法:scrapy shell [url]
全局命令

以给定的URL(如果给出)或者空(没有给出URL)启动Scrapy shell

$ scrapy shell
$ scrapy shell http://www.baidu.com

parse

语法:scrapy parse <url> [options]
全局命令

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 。

settings

语法:scrapy settings [options]
全局命令

获取Scrapy的设定

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。

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

runspider

语法:scrapy runspider <spider_file.py>
全局命令

在未创建项目的情况下，运行一个编写在Python文件中的spider。

$ scrapy runspider first_mod.py

bench

语法:scrapy bench
全局命令

Scrapy提供了一个简单的性能测试工具。其创建了一个本地HTTP服务器，并以最大可能的速度进行爬取。该测试性能工具目的是测试Scrapy在您的硬件上的效率，来获得一个基本的底线用于对比。其使用了一个简单的spider，仅跟进链接，不做任何处理。

$ scrapy bench

Python Scrapy 命令行工具