Python爬虫 scrapy -- scrapy 日志信息和日志等级scrapy shell的使用scrapy post请求

Posted 2022-03-09 CodeJiao

1. scrapy 日志信息和日志等级

---

1.1 scrapy 日志级别

• CRITICAL：严重错误
• ERROR： 一般错误
• WARNING： 警告
• INFO: 一般信息
• DEBUG： 调试信息

默认的日志等级是DEBUG，只要出现了DEBUG或者DEBUG以上等级的日志 那么这些日志将会打印。

---

1.2 创建项目测试

创建爬虫的项目

在目标目录终端输入：scrapy startproject 项目名称( 注意：项目的名字不允许使用数字开头 也不能包含中文)

我这里输入的是scrapy startproject 百度

创建爬虫文件:

             要在spiders文件夹中去创建爬虫文件
             cd 项目的名字\\项目的名字\\spiders

             创建爬虫文件
             scrapy genspider 爬虫文件的名字  要爬取网页
             eg：scrapy genspider baidu www.baidu.com
             一般情况下不需要添加http协议  因为start_urls的值是根据allowed_domains
             修改的  所以添加了http的话  那么start_urls就需要我们手动去修改了

baidu.py
一般情况下把allowed_domains和start_urls改为一样，因为后缀会.html的url加上/会报错

import scrapy


class BaiduSpider(scrapy.Spider):
    # 爬虫的名字  用于运行爬虫的时候 使用的值
    name = 'baidu'
    # 允许访问的域名
    allowed_domains = ['www.baidu.com']
    # 起始的url地址  指的是第一次要访问的域名
    # start_urls 是在allowed_domains的前面添加一个http://
    #             在 allowed_domains的后面添加一个/
    start_urls = ['http://www.baidu.com/']

    # 是执行了start_urls之后 执行的方法   方法中的response 就是返回的那个对象
    # 相当于 response = urllib.request.urlopen()
    #       response  = requests.get()
    def parse(self, response):
        print("百度")

运行爬虫代码:

                 scrapy crawl 爬虫的名字
                 eg：
                 scrapy crawl baidu

我们发现存在一个robots协议（这是一个君子约定，就是说你不可以爬百度）阻止我们继续访问：

在游览器输入https://www.baidu.com/robots.txt就可以查询百度的robots协议了。

关闭遵守robots协议（创建项目时 默认遵守）

再次运行：访问成功

可以看见，打印了许多的信息，看去来比较繁杂。

---

1.2 settings.py文件日志等级设置

默认的级别为DEBUG，会显示上面所有的信息。

在配置文件中 settings.py 中

• LOG_LEVEL : 设置日志显示的等级，就是显示哪些，不显示哪些。
  

再次运行的结果，发现现在只有我们打印的信息。

• LOG_FILE : 将屏幕显示的信息全部记录到文件中，屏幕不再显示，注意文件后缀一定是.log （推荐使用），上面那种做法太极端了，这样的话，出错了我们就不可以看到错误信息了，没办法去调试。
  
  再次运行的结果

---

2. scrapy shell的使用

---

2.1 什么是 scrapy shell ？

Scrapy终端，是一个交互终端，供您在未启动spider的情况下尝试及调试您的爬取代码。 其本意是用来测试提取 数据的代码，不过您可以将其作为正常的Python终端，在上面测试任何的Python代码。 该终端是用来测试XPath或CSS表达式，查看他们的工作方式及从爬取的网页中提取的数据。 在编写您的spider时，该终端提供了交互性测试您的表达式代码的功能，免去了每次修改后运行spider的麻烦。 一旦熟悉了Scrapy终端后，您会发现其在开发和调试spider时发挥的巨大作用。

---

2.2 安装ipython

• 安装：pip install ipython
  

• 简介：如果您安装了 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。

• 如果想看到一些高亮 或者 自动补全 ，那么可以安装ipython。

---

2.3 scrapy shell的使用

• 进入到scrapy shell的终端 ：直接在window的终端中输入scrapy shell 域名

• eg: scrapy shell www.baidu.com
  

语法：

eg:

tips：在scrapy shell中输入的时候，按tab键可以调出提示。

---

3. scrapy post请求

我们抓取百度翻译的这个请求。

现在把第一个项目的 baidu.py 的替换一下

import json

import scrapy


class BaiduSpider(scrapy.Spider):
    name = 'testpost'
    allowed_domains = ['https://fanyi.baidu.com/sug']

    # post请求 如果没有参数 那么这个请求将没有任何意义
    # 所以start_urls 也没有用了
    # parse方法也没有用了
    # start_urls = ['https://fanyi.baidu.com/sug/']
    #
    # def parse(self, response):
    #     pass

    def start_requests(self):
        url = 'https://fanyi.baidu.com/sug'

        data = 
            'kw': 'final'
        

        yield scrapy.FormRequest(url=url, formdata=data, callback=self.parse_second)

    def parse_second(self, response):
        content = response.text
        print(content)
        obj = json.loads(content)

        print(obj)

现在的运行结果：

---

---