调试spiders¶
本文介绍了调试spider的最常用技术。请考虑下面的蜘蛛:
import scrapy
from myproject.items import MyItem
class MySpider(scrapy.Spider):
name = 'myspider'
start_urls = (
'http://example.com/page1',
'http://example.com/page2',
)
def parse(self, response):
# <processing code not shown>
# collect `item_urls`
for item_url in item_urls:
yield scrapy.Request(item_url, self.parse_item)
def parse_item(self, response):
# <processing code not shown>
item = MyItem()
# populate `item` fields
# and extract item_details_url
yield scrapy.Request(item_details_url, self.parse_details, cb_kwargs={'item': item})
def parse_details(self, response, item):
# populate more `item` fields
return item
基本上,这是一个简单的爬行器,它解析两页项目(Start_URL)。项也有一个包含附加信息的详细信息页面,因此我们使用 cb_kwargs
的功能 Request
若要传递部分填充的项,请执行以下操作。
解析命令¶
检查蜘蛛输出的最基本方法是使用 parse
命令。它允许在方法级别检查spider的不同部分的行为。它的优点是灵活和易于使用,但不允许在方法内部调试代码。
为了查看从特定URL中获取的项目:
$ scrapy parse --spider=myspider -c parse_item -d 2 <item_url>
[ ... scrapy log lines crawling example.com spider ... ]
>>> STATUS DEPTH LEVEL 2 <<<
# Scraped Items ------------------------------------------------------------
[{'url': <item_url>}]
# Requests -----------------------------------------------------------------
[]
使用 --verbose
或 -v
选项我们可以看到每个深度级别的状态:
$ scrapy parse --spider=myspider -c parse_item -d 2 -v <item_url>
[ ... scrapy log lines crawling example.com spider ... ]
>>> DEPTH LEVEL: 1 <<<
# Scraped Items ------------------------------------------------------------
[]
# Requests -----------------------------------------------------------------
[<GET item_details_url>]
>>> DEPTH LEVEL: 2 <<<
# Scraped Items ------------------------------------------------------------
[{'url': <item_url>}]
# Requests -----------------------------------------------------------------
[]
检查从一个开始的项目,也可以很容易地实现使用::
$ scrapy parse --spider=myspider -d 3 'http://example.com/page1'
Scrapy Shell¶
而 parse
命令对于检查蜘蛛的行为非常有用,除了显示接收到的响应和输出之外,检查回调中发生的情况几乎没有帮助。如何调试情况 parse_details
有时没有收到物品?
幸运的是, shell
在这种情况下,你的面包和黄油(见 从spiders调用shell来检查响应 ):
from scrapy.shell import inspect_response
def parse_details(self, response, item=None):
if item:
# populate more `item` fields
return item
else:
inspect_response(response, self)
参见: 从spiders调用shell来检查响应 .
在浏览器中打开¶
有时,您只想查看某个响应在浏览器中的外观,可以使用 open_in_browser
功能。以下是您将如何使用它的示例:
from scrapy.utils.response import open_in_browser
def parse_details(self, response):
if "item name" not in response.body:
open_in_browser(response)
open_in_browser
将打开一个浏览器,此时Scrapy接收到响应,调整 base tag 以便正确显示图像和样式。
登录¶
日志记录是获取蜘蛛运行信息的另一个有用选项。尽管不太方便,但它的优点是,如果需要,日志在将来的所有运行中都将可用:
def parse_details(self, response, item=None):
if item:
# populate more `item` fields
return item
else:
self.logger.warning('No item received for %s', response.url)
有关详细信息,请检查 登录 部分。