scrapy 2.3 可用工具命令

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：

• ​startproject​
• ​genspider​
• ​settings​
• ​runspider​
• ​shell​
• ​fetch​
• ​view​
• ​version​

仅Project命令：

• ​crawl​
• ​check​
• ​list​
• ​edit​
• ​parse​
• ​bench​

启动项目

• Syntax： ​scrapy startproject <project_name> [project_dir]​
• 需要项目： no

创建一个名为 ​project_name​ 下 ​project_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_domains​ 和 ​start_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 ... ]

壳

• 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 ./ 或 ../ 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​ 或 ​-c​ ：用作分析响应的回调的spider方法
• ​--meta​ 或 ​-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​ 或 ​-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​ 或 ​-d​ ：应递归执行请求的深度级别（默认值：1）
• ​--verbose​ 或 ​-v​ ：显示每个深度级别的信息
• ​--output​ 或 ​-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 .