scrapy深入学习----（3）

最新版本 0.10.

我们可以通过scrapy命令行工具来控制Scrapy， 这里我们使用了“Scrapy tool”这么一个词，用来区分他们的子命令，那些通常我们称为 “commands”,或者 “Scrapy commands”.

处于各种目的，Scrapy 工具提供了几个命令，每个都有一组可接受的的参数和选项。

Default structure of Scrapy projects

Scrapy工程的默认结构

在深入学习命令行工具和它的子命令之前，我们县来了解一下Scrapy工程的目录结构。

尽管这并不是固定的, 所有Scrapy工程在默认情况下都有相同的文件结构，像下面这样：

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

文件 scrapy.cfg 所存在的目录就是这个工程的根目录。这个文件包含了定义工程属性的python模块的名称。下面是一个示例：

[settings]default = myproject.settings

Using the scrapy tool

使用scrapy工具

首先，你可以启动一个没有任何参数的Scrapy 工具，然后会显示一些使用帮助和可用的命令。

在命令行下输入scrapy，可以看到类似下面的内容：

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
[...]

如果你在运行Scrapy工程，那么第一行显示的是当前在处于活动状态的工程。上面是在工程外运行的状态，下面这个是在工程内运行的状态：

Scrapy X.Y - project: myproject

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

[...]

Creating projects

创建工程

一般来说要做得第一件事就是创建一个工程：

scrapy startproject myproject

执行这条命令，会创建一个路径 myproject 并且在这个路径中新建了一个 Scrapy工程。

下一步，进入这个工程的目录中：

cd myproject

此时，你应该准备好了使用 scrapy 命令来管理和控制你的工程。

Controlling projects

控制工程

在你的工程中使用 scrapy 工具来控制和管理它们。 

例如，让我们来新建一只小蛛：

scrapy genspider mydomain mydomain.com

会显示下面的内容：

Created spider 'mydomain' using template 'crawl' in module:

  myproject.spiders.mydomain

一些Scrapy 命令 (像crawl)必须在Scrapy工程的内部执行。要更详细的信息，请看一下 commands reference ，它会指导你那些必须在工程内部执行，哪些不必要。

同时你要注意，有些命令在工程的内部和外部执行时有一些细微的差别。 举个栗子， 如果抓取的url与一些特殊的小蛛有关联，fetch命令会采取覆写蛛行为(比如 user_agent 属性会覆盖 user-agent). 这种行为是故意的, 因为 fetch 命令本来就是用来检查小蛛们是如何来下载页面的。

Available tool commands

可用的工具命令

这一小节给出了程序所包含的内置命令的列表，并且给出了一些说明和使用示例。当然你要记得随时运行这些命令去获得更详细的信息： 

scrapy <command> -h

使用下面的命令来查看所有可用的命令：

scrapy -h

通常来说只有两种命令，一种是只在 Scrapy工程内部起作用的 (工程限定命令)。 另一种是无需活动工程的命令 (全局命令), 如果在工程内部运行这些命令可能会有小小的不同(他们会使用工程的内容来覆盖原先的设定).

全局命令：

• startproject

• settings

• runspider

• shell

• fetch

• view

• version

工程限定的命令：

• crawl

• check

• list

• edit

• parse

• genspider

• deploy

• bench

startproject

启动项目

• 语法： scrapy startproject <project_name>

• 是否工程限定：no

创建一个名为 project_name的新Scrapy工程, 存放在project_name 目录下。

使用示例：

$ scrapy startproject myproject

genspider

情报蜘蛛

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

• 是否工程限定： yes

在当前工程中创建一只蜘蛛。

这只是在预定义模板上定义蜘蛛的一个简短的命令（阉割版），这并不是创建蜘蛛的唯一办法。你完全可以不使用这些命令，而自己创建一个蜘蛛的源代码。

使用示例：

$ scrapy genspider -l
Available templates:
  basic
  crawl
  csvfeed
  xmlfeed

$ scrapy genspider -d basic
from scrapy.spider import Spider

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

    def parse(self, response):
        pass

$ scrapy genspider -t basic example example.com
Created spider 'example' using template 'basic' in module:
  mybot.spiders.example

crawl

抓取

• 语法：scrapy crawl <spider>

• 是否工程限定：yes

开启一个蜘蛛的爬行行为。

使用示例：

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

check

核查

• 语法：scrapy check [-l] <spider>

• 是否工程限定：yes

合同核查。

使用示例：

$ 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

list

列表

• 语法：scrapy list

• 是否工程限定：yes

列出当前工程中所有可用的小蜘蛛。每行输出一个蜘蛛名。

使用示例：

$ scrapy list
spider1
spider2

edit

编辑

• 语法：scrapy edit <spider>

• 是否工程限定：yes

使用在 EDITOR 设置中定义的编辑器编辑给定的蜘蛛。

这个命令只是给出一个简单便捷的方法来处理最常见的情况，开发者可以根据自己的喜好来选择任何工具或IDE去编写和调试他的蜘蛛。

使用示例：

$ scrapy edit spider1

fetch

提取

• 语法：scrapy fetch <url>

• 是否工程限定：no

使用Scrapy的下载器来下载给定的URL并将其内容输出到标准输出。

关于这个命令最有趣的就是，如果是在工程内部，它会使用蜘蛛提供的方法去下载这个页面。例如，蜘蛛有一个 USER_AGENT属性覆盖了User Agent,那么这个命令就会使用蜘蛛的这个属性。 

所以这个命令可以用来测试你的蜘蛛如何去提取某个页面。

如果在工程外部使用，就不会应用某个蜘蛛的行为，它会使用 Scrapy默认的下载设定。

使用示例：

$ 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)']}

view

总览

• 语法：scrapy view <url>

• 是否工程限定：no

在浏览器中打开一个给定的URL，你的Scrapy 蜘蛛会 “看看” 它。由于有时蜘蛛所“看到”的页面跟用户不同， 那么使用这个命令你可以来检查蜘蛛看到了什么，并确定这是否是你想要的。

使用示例：

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

shell

命令行解释器

• 语法：scrapy shell [url]

• 是否工程限定：no

启动Scrapy命令行解释器来处理给定的URL，如果没有给出URL会打开一个空的解释器。 更多信息请参见Scrapy shell 。

使用示例：

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

parse

解析

• 语法：scrapy parse <url> [options]

• 是否工程限定：yes

提取给定URL并用控制它的蜘蛛来解析，通过选项来使用这个命令，如果没有给出选项则执行默认的parse选项。

可支持的选项：

• --callback or -c: 蜘蛛用回调作为解析响应的方法

• --rules or -r:使用 CrawlSpider 规则 来发现用于解析响应的回调方法 (ie. spider method)

• --noitems: 不显示抓取到的项目

• --nolinks: 不显示抓取到的链接

• --depth or -d: 请求的递归深度等级 (默认是：1)

• --verbose or -v: 根据每个深度等级显示信息

使用示例：

$ 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  -----------------------------------------------------------------
[]

settings

设置

• 语法：scrapy settings [options]

• 是否工程限定：no

获取Scrapy 设定的值。

如果在工程内部，它会显示工程的设定值，如果在工程外部，它会显示Scrapy 的默认设定值。

使用示例：

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

runspider

运行蜘蛛

• 语法：scrapy runspider <spider_file.py>

• 是否工程限定：no

不创建工程，在Python文件中独立的运行一个蜘蛛。

使用示例：

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

version

版本

• 语法： scrapy version [-v]

• 是否工程限定：no

打印出Scrapy版本。如果使用后缀 -v， it它还会显示Python, Twisted 和 操作系统等相关内容的信息, 这对于错误报告是很有用的。

deploy

部署

最新版本 0.11.

• 语法：scrapy deploy [ <target:project> | -l <target> | -L ]

• 是否工程限定：yes

部署给定工程到Scrapyd服务器. 详情参见 Deploying your project.

bench

最新版本0.17.

• 语法：scrapy bench

• 是否工程限定：no

启动快速基准检查程序测试 。参见 Benchmarking.

Custom project commands

定制工程命令

通过 COMMANDS_MODULE 设定，你也可以添加自定义的工程命令。在 scrapy/commands 查看Scrapy命令的例子，用以参考如何实现你自己的命令。

COMMANDS_MODULE

命令模块

默认： '' (空字符串)

使用一个模块来查看Scrapy 自定义命令。这个是用来给Scrapy工程添加你的自定义命令的。 

示例：

COMMANDS_MODULE = 'mybot.commands'