用Scrapy shell调试xpath
来源:互联网 发布:centos 移动硬盘 编辑:程序博客网 时间:2024/05/30 23:07
昨日一道友问我会不会用scrapy shell检查xpath,我表示没搞过,都是直接在代码里硬怼,尴尬。然而其实也没什么难的,在这记录一下方法。
首先还是安利一下国内翻译的scrapy文档,虽然最新的翻译版本是1.0版,scrapy已经出到1.3版,但是这份文档仍然非常好用,只是有些版本差异带来的小坑。
在命令行键入
scrapy shell
进入scrapy shell终端,如果你安装了IPython,它会以IPython启动。
此时会打出一些Scrapy的启动信息和使用方法。使用fetch()获取网页
In [2]: fetch('https://www.baidu.com')2017-01-17 10:32:55 [scrapy.core.engine] INFO: Spider opened2017-01-17 10:32:55 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.baidu.com> (referer: None)
此时网页已被保存在response对象里,当然也可以付给一个变量,既然是用于调试XPath,感觉没必要保存。
使用xpath匹配网页元素
xpath的使用方式与在Scrapy项目里别无二致,要注意的是在Scrapy1.2版本之后,不再需要自己声明selector选择器,直接使用response.xpath()或response.css(),scrapy shell中也是如此。
In [2]: response.xpath('//*[@id="lg"]').extract()Out[2]: ['<div id="lg"> <img hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270" height="129"> </div>']
scrapy 1.2版本以前,fetch()回的response和selector是分开的,写法如下:
sel.xpath('//*[@id="lg"]')
也可以分层调试
In [3]: a = response.xpath('//*[@id="lg"]')In [4]: a.xpath('./img').extract()Out[4]: ['<img hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270" height="129">']
view()
在scrapy shell中键入
view(response)
这条命令会调用本地浏览器显示你刚刚请求的网页,值得注意的是:
在本机的浏览器打开给定的response。 其会在response的body中添加一个 tag ,使得外部链接(例如图片及css)能正确显示。 注意,该操作会在本地创建一个临时文件,且该文件不会被自动删除。 ——中文文档
当你感觉xpath写的没问题可是就是匹配不到的时候,不妨看一下你到底下载到了啥玩意儿:-)。
17年4月12日补:
添加UserAgent和请求头的方法
在用scrapy shell 调试知乎时出现:
fetch('http://www.zhihu.com')2017-04-12 22:33:09 [scrapy.core.engine] INFO: Spider opened2017-04-12 22:33:19 [scrapy.downloadermiddlewares.retry] DEBUG: Retrying <GET http://www.zhihu.com> (failed 1 times): 500 Internal Server Error2017-04-12 22:33:24 [scrapy.downloadermiddlewares.retry] DEBUG: Retrying <GET http://www.zhihu.com> (failed 2 times): 500 Internal Server Error2017-04-12 22:33:29 [scrapy.downloadermiddlewares.retry] DEBUG: Gave up retrying <GET http://www.zhihu.com> (failed 3 times): 500 Internal Server Error2017-04-12 22:33:29 [scrapy.core.engine] DEBUG: Crawled (500) <GET http://www.zhihu.com> (referer: None)
众(gang)所(bai)周(du)知(de),500是服务器内部错误的状态码,但是直觉告诉我应该是scrapy shell的User-Agent是“Scrapy+版本号”,所以才被服务器拒绝的。
用以下命令配置User-Agent并启动scrapy shell:
scrapy shell -s USER_AGENT='Mozilla/5.0'
然后在fetch()知乎的首页,发现已经200了。
fetch('http://www.zhihu.com')2017-04-12 22:41:11 [scrapy.core.engine] INFO: Spider opened2017-04-12 22:41:11 [scrapy.downloadermiddlewares.redirect] DEBUG: Redirecting (301) to <GET https://www.zhihu.com/> from <GET http://www.zhihu.com>2017-04-12 22:41:12 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.zhihu.com/> (referer: None)
那么如何在scrapy shell中给请求配置请求头呢?如下:
$ scrapy shell...>>> from scrapy import Request>>> req = Request('yoururl.com', headers={"header1":"value1"})>>> fetch(req)
参考资料:http://stackoverflow.com/questions/37010524/set-headers-for-scrapy-shell-request
- 用Scrapy shell调试xpath
- 用Scrapy shell调试xpath
- 【scrapy】xpath
- scrapy xpath
- scrapy shell 可以用于测试xpath的响应
- 【python爬虫】scrapy框架笔记(一):创建工程,使用scrapy shell,xpath
- Scrapy shell调试返回403错误
- scrapy shell 调试返回403 返回为[]
- 在Scrapy中启动shell来调试
- scrapy xpath提取标签
- scrapy测试xpath
- scrapy xpath text拼接
- scrapy的xpath语法
- 爬虫系列3:scrapy技术进阶(xpath、rules、shell等)
- python scrapy框架用xpath爬爱问知识人
- Scrapy Shell
- Scrapy Shell
- Scrapy爬虫入门教程八 交互式 shell 方便调试
- TLS协议栈和握手细节-PPT
- 切换Fragment 出现列表重叠
- JMS消息服务器(二)——点对点消息传送模型
- OpenStack常见错误(3)
- win10 jdk环境变量配置
- 用Scrapy shell调试xpath
- MFC 给按钮加载图标,并指定图标大小的方法
- HTML空格占位符
- shell脚本输出带颜色字体
- c——类型总结
- EBS 并发程序配置
- 叠筐
- Hadoop mapreduce自定义分区HashPartitioner
- php中对象克隆和一个简单的单列类