爬虫：Scrapy15

考虑下面的 spider：

import scrapy
from myproject.items import MyItem

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = (
        'http://example.com/page1',
        'http://example.com/page2',
        )

    def parse(self, response):
        # collect `item_urls`
        for item_url in item_urls:
            yield scrapy.Request(item_url, self.parse_item)

    def parse_item(self, response):
        item = MyItem()
        # populate `item` fields
        # and extract item_details_url
        yield scrapy.Request(item_details_url, self.parse_details, meta={'item': item})

    def parse_details(self, response):
        item = response.meta['item']
        # populate more `item` fields
        return item

简单地说，该 spider 分析了两个包含 item 的页面（start_urls）。Item 有详情页面，所以我们使用 Request 的 meta 功能来传递已经部分获取的 item。

Parse 命令

检查 spider 输出的最基本的方法是使用 parse 命令。这能让你在函数层（method level）上检查 spider 各个部分的效果。其十分灵活并且易用，不过不能再代码中调试。

查看特定 url 爬取到的 item：

$ scrapy parse --spider=myspider -c parse_item -d 2 <item_url>
[ ... scrapy log lines crawling example.com spider ... ]

>>> STATUS DEPTH LEVEL 2 <<<
# Scraped Items  ------------------------------------------------------------
[{'url': <item_url>}]

# Requests  -----------------------------------------------------------------
[]

使用 --verbose 或者 -v 选项，查看各个层级的状态：

$ scrapy parse --spider=myspider -c parse_item -d 2 -v <item_url>
[ ... scrapy log lines crawling example.com spider ... ]

>>> DEPTH LEVEL: 1 <<<
# Scraped Items  ------------------------------------------------------------
[]

# Requests  -----------------------------------------------------------------
[<GET item_details_url>]

>>> DEPTH LEVEL: 2 <<<
# Scraped Items  ------------------------------------------------------------
[{'url': <item_url>}]

# Requests  -----------------------------------------------------------------
[]

检查从单个 start_url 爬取到的 item 也是很简单的：

$ scrapy parse --spider=myspider -d 3 'http://example.com/page1'
Scrapy终端(Shell)

尽管 parse 命令对检查 spider 的效果十分有用，但除了显示收到的 response 及输出外，其对检查回调函数内部的过程并没有提供什么便利。如何调试 parse_detail 没有收到 item 的情况呢？

幸运的是，救世主 shell 出现了（参考在 spider 中启动 shell 来查看 response）：

from scrapy.shell import inspect_response

def parse_details(self, response):
    item = response.meta.get('item', None)
    if item:
        # populate more `item` fields
        return item
    else:
        inspect_response(response, self)

在浏览器中打开

有时候你想查看某个 response 在浏览器中的显示效果，可以使用 open_in_browser功能：

from scrapy.utils.response import open_in_browser

def parse_details(self, response):
    if "item name" not in response.body:
        open_in_browser(response)

open_in_browser 将会使用 Scrapy 获取到的 response 来打开浏览器，并且调整 base tag 是的 图片以及样式（style）能正常显示。

Logging

记录（logging）是另一个获取到 spider 运行信息的方法。虽然不是那么方便，但好处是log的内容在以后的运行中也可以看到：

from scrapy import log

def parse_details(self, response):
    item = response.meta.get('item', None)
    if item:
        # populate more `item` fields
        return item
    else:
        self.log('No item received for %s' % response.url,
            level=log.WARNING)