Scrapy Shell 调试终端

Scrapy Shell 是一个交互式的 Python 终端,提供在未启动 Spider 的情况下调试爬虫代码,主要用来测试 XPath 或 CSS 表达式,查看它们的工作方式以及从网页中提取的数据。

在编写 Spider 时,Scrapy Shell 提供了交互式测试代码的功能,免去了每次修改后运行 Spider 的麻烦。一旦熟悉了 Scrapy 终端后,您会发现它在开发和调试 Spider 时发挥的巨大作用。

 

1. 启动 Scrapy Shell

您可以使用 scrapy shell 命令来启动 Scrapy 终端:

scrapy shell <url>

其中 <url> 是您要爬取的网页的地址。

 

2. 使用 Scrapy Shell

Scrapy Shell 其实是一个普通的 Python 终端,在里面可以调试任何 Python 代码,但它提供了一些额外的快捷命令和预置对象。

1)可用的快捷命令

  • shelp() - 打印可用对象及快捷命令的帮助列表。
  • fetch(request_or_url) - 根据给定的请求(request)或URL获取一个新的response,并更新相关的对象。
  • view(response) - 在本机的浏览器打开给定的response。它会在response的body中添加一个 <base> tag ,使得外部链接(例如图片及css)能正确显示。注意,该操作会在本地创建一个临时文件,且该文件不会被自动删除。

2)可用的 Scrapy 对象

Scrapy Shell 会根据下载的页面会自动创建一些方便使用的对象,例如:Response 对象及 Selector 对象。

Scrapy Shell 自动创建的对象包括:

  • crawler - 当前 Crawler 对象。
  • spiderm - 处理 URL 的 spider。对当前URL没有处理的Spider时则为一个 Spider 对象。
  • request - 最近获取到的页面的 Request 对象。可以使用 replace() 修改该request。或者使用 fetch 快捷方式来获取新的 request。
  • response - 包含最近获取到的页面的 Response 对象。
  • sel - 根据最近获取到的response构建的 Selector 对象。
  • settings - 当前的 Scrapy settings。

 

3. 终端会话(shell session)样例

下面给出一个典型的终端会话的例子。在该例子中,我们首先爬取了 http://scarpy.org 的页面,而后接着爬取 http://slashdot.org 的页面。最后,我们修改了(Slashdot)的请求,将请求设置为 POST 方法,并重新获取得到 HTTP 405(不允许的方法)错误。最后,通过 Ctrl-D(Unix) 或 Ctrl-Z(Windows) 关闭会话。

需要注意的是,由于爬取的页面不是静态页,内容会随着时间而修改,因此例子中提取到的数据可能与您尝试的结果不同。该例子的唯一目的是让您熟悉 Scrapy 终端。

首先,我们启动 Scrapy Shell:

scrapy shell 'http://scrapy.org' --nolog

Scrapy Shell 会获取 URL 内容,并打印可用的对象及快捷命令:

[s] Available Scrapy objects:
[s]   crawler    <scrapy.crawler.Crawler object at 0x1e16b50>
[s]   item       {}
[s]   request    <GET http://scrapy.org>
[s]   response   <200 http://scrapy.org>
[s]   sel        <Selector xpath=None data=u'<html>\n  <head>\n    <meta charset="utf-8'>
[s]   settings   <scrapy.settings.Settings object at 0x2bfd650>
[s]   spider     <Spider 'default' at 0x20c6f50>
[s] Useful shortcuts:
[s]   shelp()           Shell help (print this help)
[s]   fetch(req_or_url) Fetch request (or URL) and update local objects
[s]   view(response)    View response in a browser

>>>

我们就可以操作这些对象了:

>>> sel.xpath("//h2/text()").extract()[0]
u'Welcome to Scrapy'

>>> fetch("http://slashdot.org")
[s] Available Scrapy objects:
[s]   crawler    <scrapy.crawler.Crawler object at 0x1a13b50>
[s]   item       {}
[s]   request    <GET http://slashdot.org>
[s]   response   <200 http://slashdot.org>
[s]   sel        <Selector xpath=None data=u'<html lang="en">\n<head>\n\n\n\n\n<script id="'>
[s]   settings   <scrapy.settings.Settings object at 0x2bfd650>
[s]   spider     <Spider 'default' at 0x20c6f50>
[s] Useful shortcuts:
[s]   shelp()           Shell help (print this help)
[s]   fetch(req_or_url) Fetch request (or URL) and update local objects
[s]   view(response)    View response in a browser

>>> sel.xpath('//title/text()').extract()
[u'Slashdot: News for nerds, stuff that matters']

>>> request = request.replace(method="POST")

>>> fetch(request)
[s] Available Scrapy objects:
[s]   crawler    <scrapy.crawler.Crawler object at 0x1e16b50>
...

>>>

 

4. 在 Spider 中启动 shell 来查看 response

有时您想在 Spider 的某个位置中查看被处理的 response,以确认您期望的 response 到达特定位置。

这可以通过 scrapy.shell.inspect_response 函数来实现。

以下是如何在 Spider 中调用该函数的例子:

import scrapy

class MySpider(scrapy.Spider):
    name = "myspider"
    start_urls = [
        "http://example.com",
        "http://example.org",
        "http://example.net",
    ]

    def parse(self, response):
        # We want to inspect one specific response.
        if ".org" in response.url:
            from scrapy.shell import inspect_response
            inspect_response(response, self)

        # Rest of parsing code.

当运行 Spider 时,您将得到类似下列的输出:

2014-01-23 17:48:31-0400 [scrapy] DEBUG: Crawled (200) <GET http://example.com> (referer: None)
2014-01-23 17:48:31-0400 [scrapy] DEBUG: Crawled (200) <GET http://example.org> (referer: None)
[s] Available Scrapy objects:
[s]   crawler    <scrapy.crawler.Crawler object at 0x1e16b50>
...

>>> response.url
'http://example.org'

接着测试提取代码:

>>> sel.xpath('//h1[@class="fn"]')
[]

结果是没有。您可以在浏览器里查看 response 的结果,判断是否是您期望的结果:

>>> view(response)
True

最后,您可以通过 Ctrl-D (Windows下Ctrl-Z) 来退出终端,恢复爬取:

>>> ^D
2014-01-23 17:50:03-0400 [scrapy] DEBUG: Crawled (200) <GET http://example.net> (referer: None)
...

注意: 由于该终端屏蔽了 Scrapy 引擎,您在这个终端中不能使用 fetch 快捷命令(shortcut)。当您离开终端时,Spider 会从其停下的地方恢复爬取,正如上面显示的那样。

Scrapy 使用 CSS 和 XPath 提取数据:我们可以使用 Scrapy CSS 或者 XPath 表达式,对抓取的网页内容进行分析,提取所需的数据项。CSS 或者 XPath 表达式具有相同的作用,但有着各自不同的语法,其中 XPath 选择器功能更强大,使用也更为广泛。