python爬虫系列（三）scrapy基本概念
Scrapy项目的默认结构
欲深入研究爬虫，那就先把这个scrapy的基础概念搞懂。下面我们先看下scrapy的基础目录结构
scrapy.cfg
myproject/
__init__.py
items.py
middlewares.py
pipelines.py
settings.py
spiders/
__init__.py
spider1.py
spider2.py
...
scrapy.cfg文件所在的目录称为项目根目录。该文件包含定义项目设置的python模块的名称。比如：
[settings]
default = myproject.settings
scrapy指令
打印一些使用帮助和可用命令：
Scrapy X.Y - no active project
Usage:
scrapy [options] [args]
Available commands:
crawl Run a spider
fetch Fetch a URL using the Scrapy downloader
[...]
如果您在Scrapy项目中，第一行将打印当前活动的项目。在上面，它是从项目外部运行的。如果从项目内部运行，它将打印出如下内容：
Scrapy X.Y - project: myproject
Usage:
scrapy [options] [args]
[...]
创建项目
一般我们使用scrapy的第一件事肯定是创建项目
scrapy startproject myproject [project_dir]
这将在project_dir目录下创建一个Scrapy项目。如果project_dir没有指定，project_dir将是相同的myproject。
接下来，进入新项目目录：
cd project_dir
管理项目
例如，要创建一个新蜘蛛：
scrapy genspider mydomain mydomain.com
某些Scrapy命令（如crawl）必须从Scrapy项目内部运行。
还要记住，某些命令在从项目内部运行时可能会略有不同的行为。例如，user_agent如果获取的url与某个特定的spider相关联，则fetch命令将使用spider-overridden（例如覆盖用户代理的属性）。因为该fetch命令旨在用于检查蜘蛛如何下载页面。
查看更多信息
您还在任何地方可以通过运行以获取有关每个命令的更多信息：
scrapy -h
或者
scrapy -h
全局命令：
- startproject
- genspider
- settings
- runspider
- shell
- fetch
- view
- version
仅限项目的命令：
- crawl
- check
- list
- edit
- parse
- bench
startproject命令
句法： scrapy startproject [project_dir]
project_name在project_dir 目录下创建一个名为的新Scrapy项目。如果project_dir没有指定，project_dir将是相同的project_name。
示例：
$ scrapy startproject myproject
genspider
句法： scrapy genspider [-t template]
spiders如果从项目内部调用，则在当前文件夹或当前项目的文件夹中创建新的蜘蛛。该参数设置为蜘蛛的name，而用于生成allowed_domains和start_urls蜘蛛的属性。
示例：
$ 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'
这只是一个方便的快捷方式命令，用于根据预定义的模板创建蜘蛛，但肯定不是创建蜘蛛的唯一方法。您可以自己创建蜘蛛源代码文件，而不是使用此命令。
抓取
句法： scrapy crawl
使用蜘蛛开始抓取。
示例：
$ scrapy crawl myspider
[ ... myspider starts crawling ... ]
检查
句法： scrapy check [-l]
运行规则检查。
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
句法： scrapy list
列出当前项目中的所有可用蜘蛛。输出是每行一个蜘蛛。
示例：
$ scrapy list
spider1
spider2
编辑
句法： scrapy edit
使用EDITOR环境变量中定义的编辑器或（如果未设置）EDITOR设置编辑给定的蜘蛛。
此命令仅作为最常见情况的便捷快捷方式提供，开发人员当然可以自由选择任何工具或IDE来编写和调试蜘蛛。
示例：
$ scrapy edit spider1
获取
句法： scrapy fetch
使用Scrapy下载程序下载给定的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下载它的页面。例如，如果蜘蛛具有USER_AGENT 覆盖用户代理的属性，则它将使用该属性。
因此，此命令可用于“查看”您的蜘蛛如何获取某个页面。
如果在项目外部使用，则不会应用特定的每蜘蛛行为，它将仅使用默认的Scrapy下载程序设置。
支持的选项：
- –spider=SPIDER：绕过蜘蛛自动检测并强制使用特定的蜘蛛
- –headers：打印响应的HTTP标头而不是响应的正文
- –no-redirect：不要遵循HTTP 3xx重定向（默认是遵循它们）
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)']}
视图
句法： scrapy view
在浏览器中打开给定的URL，因为您的Scrapy蜘蛛会“看到”它。有时蜘蛛会看到不同于普通用户的页面，因此可以用来检查蜘蛛“看到”的内容并确认它是您所期望的。
支持的选项：
- –spider=SPIDER：绕过蜘蛛自动检测并强制使用特定的蜘蛛
- –no-redirect：不要遵循HTTP 3xx重定向（默认是遵循它们）
示例：
$ scrapy view http://www.example.com/some/page.html
[ ... browser starts ... ]
外壳
句法： scrapy shell [url]
为给定的URL启动Scrapy shell（如果给定），如果没有给出URL，则为空。还支持UNIX样式的本地文件路径，相对于 ./或…/前缀或绝对文件路径。有关详细信息，请参阅Scrapy shell。
支持的选项：
- –spider=SPIDER：绕过蜘蛛自动检测并强制使用特定的蜘蛛
- -c code：评估shell中的代码，打印结果并退出
- –no-redirect：不要遵循HTTP 3xx重定向（默认是遵循它们）; 这只会影响您在命令行中作为参数传递的URL; 一旦进入shell，fetch(url)默认情况下仍会遵循HTTP重定向。
示例：
$ 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
句法： scrapy parse [options]
获取给定的URL并使用处理它的蜘蛛解析它，使用随–callback选项传递的方法，或者parse如果没有给出。
支持的选项：
- –spider=SPIDER：绕过蜘蛛自动检测并强制使用特定的蜘蛛
- –a NAME=VALUE：设置蜘蛛参数（可能重复）
- –callback或-c：用作解析响应的回调的spider方法
- –meta或-m：将传递给回调请求的其他请求元。这必须是有效的json字符串。示例：-meta =’{“foo”：“bar”}’
- –pipelines：通过管道处理项目
- –rules或-r：使用CrawlSpider 规则来发现用于解析响应的回调（即蜘蛛方法）
- –noitems：不显示刮下的物品
- –nolinks：不显示提取的链接
- –nocolour：避免使用pygments为输出着色
- –depth或-d：递归请求的深度级别（默认值：1）
- –verbose或-v：显示每个深度级别的信息
示例：
$ scrapy parse http://www.example.com/ -c parse_item
[ ... scrapy log lines crawling example.com spider ... ]
>>> STATUS DEPTH LEVEL 1 <<<
# Scraped Items ------------------------------------------------------------
[{'name': u'Example item',
'category': u'Furniture',
'length': u'12 cm'}]
# Requests -----------------------------------------------------------------
[]
设置
句法： scrapy settings [options]
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：
$ scrapy settings --get BOT_NAME
scrapybot
$ scrapy settings --get DOWNLOAD_DELAY
0
runspider
句法： scrapy runspider
在Python文件中运行自包含的蜘蛛，而无需创建项目。
示例：
$ scrapy runspider myspider.py
[ ... spider starts crawling ... ]