命令行工具

碎屑通过控制 scrapy 命令行工具,这里称为“scrapy工具”,用于区分子命令,我们称之为“命令”或“scrapy命令”。

Scrapy工具提供了多个命令,用于多种目的,每个命令接受一组不同的参数和选项。

(The scrapy deploy 命令已在1.0中删除,以支持独立的 scrapyd-deploy . 见 Deploying your project

配置设置

Scrapy将查找ini样式的配置参数 scrapy.cfg 标准位置的文件:

  1. /etc/scrapy.cfgc:\scrapy\scrapy.cfg (全系统)

  2. ~/.config/scrapy.cfg ($XDG_CONFIG_HOME~/.scrapy.cfg ($HOME )用于全局(用户范围)设置,以及

  3. scrapy.cfg 在一个垃圾项目的根目录中(见下一节)。

这些文件中的设置按列出的首选顺序合并:用户定义的值比系统范围的默认值具有更高的优先级,并且在定义时,项目范围的设置将覆盖所有其他设置。

Scrapy还可以理解并通过许多环境变量进行配置。目前有:

报废项目的默认结构

在深入研究命令行工具及其子命令之前,让我们先了解一个零碎项目的目录结构。

尽管可以修改,但默认情况下,所有零碎项目都具有相同的文件结构,类似于:

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

目录 scrapy.cfg 文件驻留称为 项目根目录 . 该文件包含定义项目设置的python模块的名称。下面是一个例子:

[settings]
default = myproject.settings

在项目之间共享根目录

一个项目根目录,其中包含 scrapy.cfg ,可以由多个零碎项目共享,每个项目都有自己的设置模块。

在这种情况下,必须为下面的设置模块定义一个或多个别名 [settings] 在你 scrapy.cfg 文件:

[settings]
default = myproject1.settings
project1 = myproject1.settings
project2 = myproject2.settings

默认情况下, scrapy 命令行工具将使用 default 设置。使用 SCRAPY_PROJECT 用于指定其他项目的环境变量 scrapy 使用:

$ scrapy settings --get BOT_NAME
Project 1 Bot
$ export SCRAPY_PROJECT=project2
$ scrapy settings --get BOT_NAME
Project 2 Bot

使用 scrapy 工具

您可以通过运行无参数的scrapy工具开始,它将打印一些用法帮助和可用的命令:

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
[...]

如果您在一个零碎的项目中,第一行将打印当前活动的项目。在本例中,它是从项目外部运行的。如果从项目内部运行,它将打印如下内容:

Scrapy X.Y - project: myproject

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

[...]

创建项目

你通常会做的第一件事就是 scrapy 工具是创建零碎项目:

scrapy startproject myproject [project_dir]

它将在 project_dir 目录。如果 project_dir 没有指定, project_dir 将与 myproject .

接下来,进入新的项目目录:

cd project_dir

你已经准备好使用 scrapy 从那里管理和控制项目的命令。

控制性项目

你使用 scrapy 从项目内部使用工具来控制和管理它们。

例如,要创建新的蜘蛛:

scrapy genspider mydomain mydomain.com

一些下流的命令(比如 crawl )必须从零碎的项目内部运行。见 commands reference 下面是关于必须从项目内部运行哪些命令的详细信息,而不是。

还要记住,当从内部项目运行某些命令时,它们的行为可能略有不同。例如,fetch命令将使用蜘蛛重写的行为(例如 user_agent 属性来重写用户代理)如果要获取的URL与某个特定的蜘蛛相关联。这是故意的,因为 fetch 命令用于检查蜘蛛如何下载页面。

可用工具命令

本节包含可用的内置命令列表,其中包含说明和一些用法示例。记住,您可以通过运行以下命令获取有关每个命令的更多信息:

scrapy <command> -h

您可以使用以下命令查看所有可用命令:

scrapy -h

有两种命令,一种是只从零碎项目(特定于项目的命令)内部工作的命令,另一种是不使用活动零碎项目(全局命令)的命令,尽管从项目内部运行时它们的行为可能略有不同(因为它们将使用项目覆盖设置)。

全局命令:

仅Project命令:

启动项目

  • Syntax: scrapy startproject <project_name> [project_dir]

  • 需要项目: no

创建一个名为 project_nameproject_dir 目录。如果 project_dir 没有指定, project_dir 将与 project_name .

使用实例:

$ scrapy startproject myproject

基因蜘蛛

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

  • 需要项目: no

在当前文件夹或当前项目的 spiders 文件夹(如果从项目内部调用)。这个 <name> 参数设置为spider的 name ,同时 <domain> 用于生成 allowed_domainsstart_urls 蜘蛛的属性。

使用实例:

$ 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'

这只是一个基于预先定义的模板创建spider的快捷命令,但肯定不是创建spider的唯一方法。您可以自己创建蜘蛛源代码文件,而不是使用这个命令。

爬行

  • Syntax: scrapy crawl <spider>

  • 需要项目: yes

开始用蜘蛛爬行。

用法示例:

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

检查

  • Syntax: scrapy check [-l] <spider>

  • 需要项目: yes

运行合同检查。

用法示例:

$ 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

  • Syntax: scrapy list

  • 需要项目: yes

列出当前项目中所有可用的spider。每行输出一个蜘蛛。

使用实例:

$ scrapy list
spider1
spider2

编辑

  • Syntax: scrapy edit <spider>

  • 需要项目: yes

使用中定义的编辑器编辑给定的蜘蛛 EDITOR 环境变量或(如果未设置) EDITOR 设置。

这个命令仅作为最常见情况下的快捷方式提供,开发人员当然可以自由选择任何工具或IDE来编写和调试spider。

使用实例:

$ scrapy edit spider1

取来

  • Syntax: scrapy fetch <url>

  • 需要项目: no

使用ScrapyDownloader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如何下载它的页面。例如,如果蜘蛛 USER_AGENT 覆盖用户代理的属性,它将使用该属性。

所以这个命令可以用来“查看”蜘蛛如何获取特定的页面。

如果在项目之外使用,则不会应用特定的每蜘蛛行为,它只会使用默认的scrapy下载器设置。

支持的选项:

  • --spider=SPIDER :绕过Spider自动检测并强制使用特定Spider

  • --headers :打印响应的HTTP头而不是响应的正文

  • --no-redirect :不遵循HTTP 3xx重定向(默认为遵循它们)

用法示例:

$ 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)']}

看法

  • Syntax: scrapy view <url>

  • 需要项目: no

在浏览器中打开给定的URL,因为您的废蜘蛛会“看到”它。有时候蜘蛛看到的页面与普通用户不同,所以这可以用来检查蜘蛛“看到”什么,并确认它是你所期望的。

支持的选项:

  • --spider=SPIDER :绕过Spider自动检测并强制使用特定Spider

  • --no-redirect :不遵循HTTP 3xx重定向(默认为遵循它们)

使用实例:

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

  • Syntax: scrapy shell [url]

  • 需要项目: no

为给定的URL(如果给定)启动scrapy shell;如果没有给定URL,则为空。还支持Unix风格的本地文件路径,无论是相对于 ./../ 前缀或绝对文件路径。见 Scrapy shell 更多信息。

支持的选项:

  • --spider=SPIDER :绕过Spider自动检测并强制使用特定Spider

  • -c code :评估shell中的代码,打印结果并退出

  • --no-redirect :不遵循HTTP 3xx重定向(默认为遵循它们);这只影响在命令行上作为参数传递的URL;一旦进入shell, fetch(url) 默认情况下仍将遵循HTTP重定向。

使用实例:

$ 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

  • Syntax: scrapy parse <url> [options]

  • 需要项目: yes

获取给定的URL,并使用处理它的spider,使用 --callback 选项,或 parse 如果没有给出。

支持的选项:

  • --spider=SPIDER :绕过Spider自动检测并强制使用特定Spider

  • --a NAME=VALUE :set spider参数(可以重复)

  • --callback-c :用作分析响应的回调的spider方法

  • --meta-m :将传递给回调请求的附加请求元。这必须是有效的JSON字符串。示例:--meta='“foo”:“bar”'

  • --cbkwargs :将传递给回调的其他关键字参数。这必须是有效的JSON字符串。示例:--cbkwargs='“foo”:“bar”'

  • --pipelines :通过管道处理项目

  • --rules-r 使用 CrawlSpider 发现用于解析响应的回调(即spider方法)的规则

  • --noitems :不显示爬取的项目

  • --nolinks :不显示提取的链接

  • --nocolour :避免使用Pygments对输出着色

  • --depth-d :应递归执行请求的深度级别(默认值:1)

  • --verbose-v :显示每个深度级别的信息

  • --output-o :将刮取的项目转储到文件

    2.3 新版功能.

使用实例:

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

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

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

设置

  • Syntax: scrapy settings [options]

  • 需要项目: no

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。

示例用法:

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

运行蜘蛛

  • Syntax: scrapy runspider <spider_file.py>

  • 需要项目: no

运行一个包含在python文件中的spider,而不必创建一个项目。

示例用法:

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

版本

  • Syntax: scrapy version [-v]

  • 需要项目: no

打印残缺版本。如果使用 -v 它还打印python、twisted和platform信息,这对bug报告很有用。

长凳

  • Syntax: scrapy bench

  • 需要项目: no

运行一个快速基准测试。 标杆管理 .

自定义项目命令

还可以使用 COMMANDS_MODULE 设置。请参阅中的scrappy命令 scrapy/commands 有关如何实现命令的示例。

COMMANDS_MODULE

违约: '' (空字符串)

用于查找自定义 Scrapy 命令的模块。这用于为您的Scrapy项目添加自定义命令。

例子:

COMMANDS_MODULE = 'mybot.commands'

通过setup.py入口点注册命令

还可以通过添加 scrapy.commands 库入口点中的节 setup.py 文件。

下面的示例添加了 my_command 命令:

from setuptools import setup, find_packages

setup(name='scrapy-mymodule',
  entry_points={
    'scrapy.commands': [
      'my_command=my_scrapy_module.commands:MyCommand',
    ],
  },
 )