ITPub博客

首页 > 应用开发 > Python > 爬虫Scrapy框架-Scrapy Shell

爬虫Scrapy框架-Scrapy Shell

原创 Python 作者:mmz_77 时间:2020-06-12 16:59:15 0 删除 编辑


Scrapy终端是一个交互终端,我们可以在未启动spider的情况下尝试及调试代码,也可以用来测试XPath或CSS表达式,查看他们的工作方式,方便我们爬取的网页中提取的数据。

如果安装了 IPython ,Scrapy终端将使用 IPython (替代标准Python终端)。 IPython 终端与其他相比更为强大,提供智能的自动补全,高亮输出,及其他特性。(推荐安装IPython)

启动Scrapy Shell

进入项目的根目录,执行下列命令来启动shell:

scrapy shell "

图片描述

Scrapy Shell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,以及 Selector 对象 (对HTML及XML内容)。

  • 当shell载入后,将得到一个包含response数据的本地 response 变量,输入
    response.body将输出response的包体,输出 response.headers 可以看到response的包头。
  • 输入 response.selector 时, 将获取到一个response 初始化的类 Selector 的对象,此时可以通过使用
    response.selector.xpath()response.selector.css() 来对 response 进行查询。
  • Scrapy也提供了一些快捷方式, 例如 response.xpath()response.css()同样可以生效(如之前的案例)。

Selectors选择器

Scrapy Selectors 内置 XPath 和 CSS Selector 表达式机制

Selector有四个基本的方法,最常用的还是xpath:

  • xpath(): 传入xpath表达式,返回该表达式所对应的所有节点的selector list列表
  • extract(): 序列化该节点为Unicode字符串并返回list
  • css(): 传入CSS表达式,返回该表达式所对应的所有节点的selector list列表,语法同 BeautifulSoup4
  • re(): 根据传入的正则表达式对数据进行提取,返回Unicode字符串list列表

XPath表达式的例子及对应的含义:

/html/head/title: 选择<HTML>文档中 <head> 标签内的 <title> 元素/html/head/title/text(): 选择上面提到的 <title> 元素的文字//td: 选择所有的 <td> 元素//div[@class="mine"]: 选择所有具有 class="mine" 属性的 div 元素

尝试Selector

我们用腾讯社招的网站 举例:

# 启动scrapy shell "返回 xpath选择器对象列表response.xpath('//title')[<Selector xpath='//title' data=u'<title>\u804c\u4f4d\u641c\u7d22 | \u793e\u4f1a\u62db\u8058 | Tencent \u817e\u8baf\u62db\u8058</title'>]# 使用 extract()方法返回 Unicode字符串列表response.xpath('//title').extract()[u'<title>\u804c\u4f4d\u641c\u7d22 | \u793e\u4f1a\u62db\u8058 | Tencent \u817e\u8baf\u62db\u8058</title>']# 打印列表第一个元素,终端编码格式显示print response.xpath('//title').extract()[0]<title>职位搜索 | 社会招聘 | Tencent 腾讯招聘</title># 返回 xpath选择器对象列表response.xpath('//title/text()')<Selector xpath='//title/text()' data=u'\u804c\u4f4d\u641c\u7d22 | \u793e\u4f1a\u62db\u8058 | Tencent \u817e\u8baf\u62db\u8058'># 返回列表第一个元素的Unicode字符串response.xpath('//title/text()')[0].extract()u'\u804c\u4f4d\u641c\u7d22 | \u793e\u4f1a\u62db\u8058 | Tencent \u817e\u8baf\u62db\u8058'# 按终端编码格式显示print response.xpath('//title/text()')[0].extract()职位搜索 | 社会招聘 | Tencent 腾讯招聘response.xpath('//*[@class="even"]')职位名称:print site[0].xpath('./td[1]/a/text()').extract()[0]TEG15-运营开发工程师(深圳)职位名称详情页:print site[0].xpath('./td[1]/a/@href').extract()[0]position_detail.php?id=20744&keywords=&tid=0&lid=0职位类别:print site[0].xpath('./td[2]/text()').extract()[0]技术类

以后做数据提取的时候,可以把现在Scrapy Shell中测试,测试通过后再应用到代码中。

当然Scrapy Shell作用不仅仅如此,但是不属于我们课程重点,不做详细介绍。但是不管使用什么方式采集数据都是一个长期的过程,所以需要配合代理才能更好的获取数据,亿牛云爬虫动态转发加强版可以让我们爬虫程序长期稳定的进行数据采集。


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31522063/viewspace-2698034/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2019-02-21

  • 博文量
    63
  • 访问量
    36766