爬虫自动调用shell&通过脚本运行scrapy爬虫（crawler API）

Ama_tor2024-05-06 14:26

一、爬虫时如何同时调用shell

1)终端cd项目>>scrapy crawl example

2)打开example.py

python 复制代码

import scrapy
from scrapy.shell import inspect_response#引入shell

class ExampleSpider(scrapy.Spider):
    name = "example"
    allowed_domains = ["example.com"]
    start_urls = ["https://example.com"]

    def parse(self, response):
        inspect_response(response,self)#调用parse函数时调用shell
        pass

3)终端cd项目>>scrapy crawl example

运行结果：终端运行完会转到shell端

4）退出shell:

>>ctrl+d

二、用脚本调用scrapy

1、补充知识：

一、脚本（script）：脚本通常是可直接执行的代码段，由其自身运行。脚本中一般不包含类、函数等

二、模块（module）：模块里面定义了各种函数和类。任何Python模块都可以作为脚本执行。

三、包（package）：装了一个__init__.py，且含有多个模块的文件夹子。包的本质依然是模块

四、库（library）：一个库中可能有多个包，可视为一个完整的项目打包，直接调用或者运行，

2、动态配置API，建立scrapy（免建项目project）

API（ Application Programming Interface），它能够帮你实现轻松的和其他软件组件（如服务器，操作系统等）的交互

2.1 scrapy genspider crawl2

2.2修编crawl2.py(代码如下）

2.3python crawl2.py

python 复制代码

import scrapy
from scrapy.crawler import CrawlerProcess
#from scrapy.utils.project import get_project_settings
#process = CrawlerProcess(get_project_settings())

class Crawl2Spider(scrapy.Spider):
    name = "crawl2"
    allowed_domains = ["tianqi.2345.com"]
    start_urls = ["https://tianqi.2345.com"]

    def start_requests(self):
        return [scrapy.Request(url=self.start_urls[0], callback=self.parse)]  #

    def parse(self, response):
        print(response.url)

process = CrawlerProcess({"User-Agent":'Mozilla/5.0 (compatible;'''''')})
process.crawl(Crawl2Spider)
process.start()

运行结果：

3、通过脚本运行project

Core API --- Scrapy 2.11.1 documentation（源文档参考）

(在项目根目录新建一个crawlspiderman.py文件，运行即可完成一次project的爬虫调用运行，不用再进终端run)

python 复制代码

from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings

process = CrawlerProcess(get_project_settings())#调用项目内settings
process.crawl('famousquotes') #这里调用上一章已有的爬虫文件
process.start()#执行

运行结果：