Skip to content

🕷️ The BEST Web Scraping framework that handles everything from a single request to a full-scale crawl! Don't be shy, join here: https://discord.gg/EMgGbDceNQ and follow here for daily tips and tricks: https://x.com/Scrapling_dev

10.6 KB
Raw Blame

title: "Проверка сбора данных в интерактивной оболочке Scrapling" description: "Загружайте страницы, пробуйте селекторы и изучайте результаты в IPython. Преобразуйте команды curl, повторно используйте недавние ответы и проверяйте код сбора данных."

Интерактивная оболочка Scrapling {#scrapling-interactive-shell-guide}

Среда REPL для разработчиков и специалистов по данным, работающих с веб-скрейпингом

Интерактивная оболочка Scrapling расширяет IPython для задач сбора данных с сайтов. Все возможности Scrapling доступны сразу. В ней есть удобные сокращения, автоматическое управление страницами и инструменты вроде преобразования команд curl.

!!! success "Перед началом"

1. Прочитайте [основы Fetcher](../fetching/choosing.md), чтобы понять, что такое [объект Response](../fetching/choosing.md#response-object) и какой Fetcher выбрать.
2. Прочитайте [поиск элементов](../parsing/selection.md), чтобы научиться находить и извлекать элементы из [Selector](../parsing/main_classes.md#selector)/[Response](../fetching/choosing.md#response-object).
3. Прочитайте [основные классы](../parsing/main_classes.md), чтобы узнать, какие свойства и методы [Response](../fetching/choosing.md#response-object) наследует от [Selector](../parsing/main_classes.md#selector).
4. Прочитайте хотя бы одну страницу о Fetcher, который будете использовать: [HTTP-запросы](../fetching/static.md) или [загрузка через браузер](../fetching/stealthy.md).

Зачем нужна интерактивная оболочка {#why-use-the-interactive-shell}

Оболочка позволяет быстро пробовать разные подходы, вместо того чтобы каждый раз писать и запускать скрипт. Она подходит для следующих задач:

  • Быстрые прототипы: сразу проверяйте способы сбора данных.
  • Изучение данных: переходите по сайту и извлекайте данные в диалоге с оболочкой.
  • Изучение Scrapling: пробуйте функции на практике.
  • Отладка: выполняйте запросы по шагам и проверяйте результаты.
  • Преобразование рабочих запросов: превращайте команду curl из DevTools браузера в запрос Fetcher одной строкой.

Начало работы {#getting-started}

Запуск оболочки {#launch-the-shell}

# Start the interactive shell
scrapling shell

# Execute code and exit (useful for scripting)
scrapling shell -c "get('https://quotes.toscrape.com'); print(len(page.css('.quote')))"

# Set logging level
scrapling shell --loglevel info

После запуска появится баннер Scrapling. Можно сразу начинать сбор данных, как в видео выше:

# No imports needed - everything is ready!
get('https://news.ycombinator.com')

# Explore the page structure
page.css('a')[:5]  # Look at first 5 links

# Refine your selectors
stories = page.css('.titleline>a')
len(stories)  # 30

# Extract specific data
for story in stories[:3]:
    title = story.text
    url = story['href']
    print(f"{title}: {url}")

# Try different approaches
titles = page.css('.titleline>a::text')  # Direct text extraction
urls = page.css('.titleline>a::attr(href)')  # Direct attribute extraction

Встроенные сокращения {#built-in-shortcuts}

Оболочка предоставляет сокращения, чтобы не писать повторяющийся код:

  • get(url, **kwargs): HTTP GET-запрос вместо Fetcher.get.
  • post(url, **kwargs): HTTP POST-запрос вместо Fetcher.post.
  • put(url, **kwargs): HTTP PUT-запрос вместо Fetcher.put.
  • delete(url, **kwargs): HTTP DELETE-запрос вместо Fetcher.delete.
  • fetch(url, **kwargs): загрузка через скрытный браузер вместо StealthyFetcher.fetch.

Часто используемые классы уже доступны без импорта, в том числе Fetcher, AsyncFetcher, StealthyFetcher и Selector.

Автоматическое управление страницами {#smart-page-management}

Оболочка автоматически отслеживает запросы и страницы:

  • Доступ к текущей странице

    page и response автоматически обновляются и содержат последнюю загруженную страницу:

    get('https://quotes.toscrape.com')
    # 'page' and 'response' both refer to the last fetched page
    page.url  # 'https://quotes.toscrape.com'
    response.status  # Prints 200; Same as page.status
    
  • История страниц

    pages хранит последние пять страниц в объекте Selectors:

    get('https://site1.com')
    get('https://site2.com')
    get('https://site3.com')
    
    # Access last 5 pages
    len(pages)  # `Selectors` object with `page` history -> 3
    pages[0].url  # First page in history -> 'https://site1.com'
    pages[-1].url  # Most recent page -> 'https://site3.com'
    
    # Work with historical pages
    for i, old_page in enumerate(pages):
        print(f"Page {i}: {old_page.url} - {old_page.status}")
    

Другие полезные команды {#additional-helpful-commands}

Просмотр страницы {#page-visualization}

Откройте загруженную страницу в браузере:

get('https://quotes.toscrape.com')
view(page)  # Opens the page HTML in your default browser

Работа с командами curl {#curl-command-integration}

Для преобразования команд curl из DevTools браузера в запросы Fetcher есть функции uncurl и curl2fetcher.

Сначала скопируйте запрос как команду curl:

Копирование запроса из Chrome в виде команды curl
  • Преобразование команды curl в объект Request

    curl_cmd = '''curl 'https://scrapling.requestcatcher.com/post' \
      -X POST \
      -H 'Content-Type: application/json' \
      -d '{"name": "test", "value": 123}' '''
    
    request = uncurl(curl_cmd)
    request.method  # -> 'post'
    request.url  # -> 'https://scrapling.requestcatcher.com/post'
    request.headers  # -> {'Content-Type': 'application/json'}
    
  • Прямое выполнение команды curl

    # Convert and execute in one step
    curl2fetcher(curl_cmd)
    page.status  # -> 200
    

Возможности IPython {#ipython-features}

Оболочка поддерживает все возможности IPython:

# Magic commands
%time page = get('https://example.com')  # Time execution
%history  # Show command history
%save filename.py 1-10  # Save commands 1-10 to file

# Tab completion works everywhere
page.c<TAB>  # Shows: css, cookies, headers, etc.
Fetcher.<TAB>  # Shows all Fetcher methods

# Object inspection
get? # Show get documentation

Примеры {#examples}

Несколько примеров, созданных с помощью ИИ:

Сбор данных интернет-магазина {#e-commerce-data-collection}

# Start with product listing page
catalog = get('https://shop.example.com/products')

# Find product links
product_links = catalog.css('.product-link::attr(href)').getall()
print(f"Found {len(product_links)} products")

# Sample a few products first
for link in product_links[:3]:
    product = get(catalog.urljoin(link))
    name = product.css('.product-name::text').get('')
    price = product.css('.price::text').get('')
    print(f"{name}: {price}")

# Scale up with sessions for efficiency
from scrapling.fetchers import FetcherSession
with FetcherSession() as session:
    products = []
    for link in product_links:
        product = session.get(catalog.urljoin(link))
        products.append({
            'name': product.css('.product-name::text').get(''),
            'price': product.css('.price::text').get(''),
            'url': link
        })

Интеграция и проверка API {#api-integration-and-testing}

>>> # Test API endpoints interactively
>>> response = get('https://jsonplaceholder.typicode.com/posts/1')
>>> response.json()
{'userId': 1, 'id': 1, 'title': 'sunt aut...', 'body': 'quia et...'}

>>> # Test POST requests
>>> new_post = post('https://jsonplaceholder.typicode.com/posts', 
...                 json={'title': 'Test Post', 'body': 'Test content', 'userId': 1})
>>> new_post.json()['id']
101

>>> # Test with different data
>>> updated = put('https://jsonplaceholder.typicode.com/posts/1',
...               json={'title': 'Updated Title'})

Помощь {#getting-help}

Если встроенной справки терминала недостаточно, используйте:

На этом всё. Удачного сбора данных! Оболочка позволяет работать с сайтами так же просто, как вести беседу.