scrapy框架系列 (4) Scrapy Shell

水深无声 2022-05-30 03:11 300阅读 0赞

# Scrapy Shell #

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 "http://www.itcast.cn/channel/teacher.shtml"

![2018030311020513][]

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()`或`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()`或`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[http://hr.tencent.com/position.php?&start=0\#a][http_hr.tencent.com_position.php_start_0_a]举例：

# 启动
    scrapy shell "http://hr.tencent.com/position.php?&start=0#a"
    
    # 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。

官方文档：[http://scrapy-chs.readthedocs.io/zh\_CN/latest/topics/shell.html][http_scrapy-chs.readthedocs.io_zh_CN_latest_topics_shell.html]

[2018030311020513]: /images/20220530/3ae1e70adc9447a78f5e2072676cd68d.png
[http_hr.tencent.com_position.php_start_0_a]: http://hr.tencent.com/position.php?&start=0#a
[http_scrapy-chs.readthedocs.io_zh_CN_latest_topics_shell.html]: http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/shell.html