因朋友推荐，最近又重新上手了scrapy，和上一次（一年前）用确实有不同的感受了。上次感觉scrapy中的东西完全是一个黑盒，用起来很不顺手。这次重点看了它的整个架构图，搞懂了它的数据流向。然后花了两天把它的整个文档都仔细读了一遍，现在用起来感觉十分好用。这次简单说说使用scrapy进行调试的一些小技巧。
1.使用scrapy.shell.inspect_response 。
当运行scrapy spiders，代码走到inspect_response()的时候，会直接起一个终端，非常方便的是，这个终端中包含了运行之前所有的变量，如response，这对于调试来讲十分有用。
2.在终端使用scrapy shell。
有的时候，我们并不想立即编写代码，二是希望直接使用scrapy提供的shell来做一些开发和调试工作。下面是我想分享的几个点:
- 如何在终端自定义请求的各个参数？比如我想抓取
https://rookiefly.cn这个网站，并且使用伪装的headers. 我们知道，在 scrapy 项目中，只需要在下载中间件中做一次处理就够了，那么在scrapy shell中呢？可以使用如下的方式自定义 scrapy request
from scrapy.http import Request
req = Request('https://rookiefly.cn')
req.headers.setdefault('User-Agent', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36')
# 或者像下面这样
req = Request('https://rookielfy.cn', headers={'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'})
fetch(req)
其实主要方法就是根据help(Request)来看看Request初始化可以传入什么参数，根据dir(Request)来看看scrapy.http.Request的实例有些啥属性。
- 如何通过
htmltext来生成scrapy.http.Response？这一点最开始也挺令我疑惑的。因为有的时候我需要将requests请求得到的response content 扔到 scrapy shell 中用scrapy的api去解析和调试，如果能生成Response，那么还可以通过view(response)这个功能来检查返回页面的结果。这个不能直接使用scrapy.http.Response来初始化实例，需要这样
resp = requests.get('https://rookielfy.cn')
from scrapy.http import HtmlResponse
response = HtmlResponse(url='https://rookielfy.cn', body=resp.content)
这样就初始化了一个最简单的response了。
- 如何让
scrapy shell读入spiders的配置文件settings.py？有这个疑问是因为有的时候，项目有众多中间件，而我想直接用scrapy shell进行调试。比如scrapy-splash，在终端有如下代码
req = SplashRequest('https://httpbin.org/user-agent',
args={
'wait': 2,
},
splash_url='http://127.0.0.1:8050',
headers={'User-Agent': 'i am a fake user agent'}
)
fetch(req)
如果不引用splash的中间件，那么直接在终端执行fetch(req)，请求不会通过splash的，所以在启动终端的时候，载入指定的配置就很重要。那么如何做呢？其实比较简单，我们只需要在项目根目录（含有scrapy.cfg文件）下启动scrapy shell即可。
以上就是近期使用scrapy shell总结出来的小技巧。现在发现scrapy这套爬虫框架的生态非常丰富，还有很多可以挖掘的东西。学海无涯，以后再做总结和分享。
网友评论