Python爬虫教程-33-scrapy shell 的使用

本篇详细介绍 scrapy shell 的使用，也介绍了使用 xpath 进行精确查找

Python爬虫教程-33-scrapy shell 的使用

• scrapy shell 的使用
• 条件：我们需要先在环境中，安装 scrapy 包，如果还没有安装，请参照：Python爬虫教程-30-Scrapy 爬虫框架介绍
• 为什么要使用 scrapy shell？
  • 当我们需要爬取智联招聘，某一个岗位的信息的时候，如果我们当然不能简单的把整个页面的 HTML 都作为返回的结果吧，这时候我们需要提取数据，我们可以使用正则，但是呢使用正则由很容易出问题，也就需要我们不断地去调试，如果说对于一个较大的 Scrapy 项目去测试正则的结果是否正确，就过于麻烦了，这时候，我们要使用 scrapy shell 去调试，测试成功后，在拷贝到我们的项目中就可以了
• 怎么打开 scrapy shell?
  • 1.打开【cmd】
  • 2.进入需要的 Anaconda 环境

    • 例如：

    • 我的环境名为：learn

      activate learn

  • 3.使用命令进入 scrapy shell "需要访问的地址"

    • 例如：

      **scrapy shell "http://baidu.com" **

• 4.操作截图：
  
  这里会出现一大堆，不用管，最后会有一个代码输入的地方：
  
  这里就是我们写代码的地方

scrapy shell 的简单使用

• **1. response **
  • 执行命令之后，可以看到有很多 [s] 开头的东西，就是我们可以在下面代码输入框中使用的变量**
  • 执行后，会自动将指定 url 的网页
  • 下载完后，url 的内容保存在 response 的变量中
    • response.body
    • response.headers
    • response.headers['Server']
    • response.xpath() 使用 xpath
    • response.css() 使用 css 语法选取内容
• 2.例如：我们使用：view(response)：
  • 截图：
    
  • 结果就是调用浏览器，查看视图
• 3.例如：我们想查看 headers 的内容：
  • 使用：response.headers
  • 截图：
    
• 4.一回车就执行了，怎样多行输入呢？
  • 在 scrapy shell 中，我们只进行简单的多行输入，比如函数，for循环，更多的多个函数，特别多行的话，我们何尝不使用 Pycharm 呢，我们使用 scrapy shell 的目的就是简单执行，快速
  • 例如：for 循环打印 response.headers
  • 截图：
    
  • 这时候又有新的问题了，for 循环，可以多行了，但回车没法执行了
  • 这时候使用的是：Ctrl + Enter 键执行
• 5.怎样输出属性的值呢？
  • 例如：我们打印 response.headers 中的一个 Set-Cookie 项对于的值
  • 截图：
    
• 6.selector
  • 选择器，允许用户使用选择器来选择自己想要的内容
  • response.selector.xpath：response.xpath 是 response.selector.xpath 的快捷方式
  • response.selector.css：response.css 是 response.selector.css 的快捷方式
  • selector.extract：把节点内容用 unicode 形式返回
  • selector.re：允许用户通过正则选择内容

response.xpath 使用案例

• 1.使用 scrapy shell "http://baidu.com" 访问百度，得到response
• 2.目标：我们是想要找到这个页面的所有 div 头，并赋值给 divs
• 3.使用 len(divs) 查看共有多少个 div
• 4.我们输出下标为 0 的 div 头信息
• 操作截图：
  
• 5.这里只是头信息，想要获取 div 的内容代码
  • 使用 divs[1].extract()
  • 截图：

• 6.使用 xpath 精确查找

  • 1.我们想找表格中的一个 a 标签

    response.xpath( "//table/tr/td/a" )

• 2.//table 表示不管 table 在哪个标签的下面，找到所有的 table 标签

• 3.这里 / 只是表示在哪个标签里，是谁的子标签，不一定是儿子标签，也包括孙子标签

• 4.如果需要查找的页面有很多很多 a 标签，那么这样找，范围还是太宽了

• 5.按标签属性查找：

  res_href = response.xpath( "//table/tr/td/a/@href" )

  • 这时候，我就可以找到所有 a 标签的链接，我们可以打印一下链接

  **for i in res_href : **
  print( i.extract() )

• 6.按标签属性的值查找：

  • 例如：我们想要查找表格中一个 id = teacher 的一个列

  res_href = response.xpath( "//table/tr/td[@id='teacher']" )

以上是使用 xpath 精确查找，当然也可以使用 re 正则 去查找，本篇就介绍到这里了，拜拜
更多文章链接：Python 爬虫随笔

---

- 本笔记不允许任何个人和组织转载