Python爬蟲(chóng)框架Scrapy實(shí)戰(zhàn)之批量抓取招聘信息
網(wǎng)絡(luò)爬蟲(chóng)抓取特定網(wǎng)站網(wǎng)頁(yè)的html數(shù)據(jù),但是一個(gè)網(wǎng)站有上千上萬(wàn)條數(shù)據(jù),我們不可能知道網(wǎng)站網(wǎng)頁(yè)的url地址,所以,要有個(gè)技巧去抓取網(wǎng)站的所有html頁(yè)面。Scrapy是純Python實(shí)現(xiàn)的爬蟲(chóng)框架,用戶只需要定制開(kāi)發(fā)幾個(gè)模塊就可以輕松的實(shí)現(xiàn)一個(gè)爬蟲(chóng),用來(lái)抓取網(wǎng)頁(yè)內(nèi)容以及各種圖片,非常之方便~
Scrapy 使用wisted這個(gè)異步網(wǎng)絡(luò)庫(kù)來(lái)處理網(wǎng)絡(luò)通訊,架構(gòu)清晰,并且包含了各種中間件接口,可以靈活的完成各種需求。整體架構(gòu)如下圖所示:
綠線是數(shù)據(jù)流向,首先從初始URL 開(kāi)始,Scheduler 會(huì)將其交給 Downloader 進(jìn)行下載,下載之后會(huì)交給 Spider 進(jìn)行分析,Spider分析出來(lái)的結(jié)果有兩種:一種是需要進(jìn)一步抓取的鏈接,例如之前分析的“下一頁(yè)”的鏈接,這些東西會(huì)被傳回 Scheduler ;另一種是需要保存的數(shù)據(jù),它們則被送到Item Pipeline 那里,那是對(duì)數(shù)據(jù)進(jìn)行后期處理(詳細(xì)分析、過(guò)濾、存儲(chǔ)等)的地方。另外,在數(shù)據(jù)流動(dòng)的通道里還可以安裝各種中間件,進(jìn)行必要的處理。
我假定你已經(jīng)安裝了Scrapy。假如你沒(méi)有安裝,你可以參考這篇文章。
在本文中,我們將學(xué)會(huì)如何使用Scrapy建立一個(gè)爬蟲(chóng)程序,并爬取指定網(wǎng)站上的內(nèi)容
1. 創(chuàng)建一個(gè)新的Scrapy Project
2. 定義你需要從網(wǎng)頁(yè)中提取的元素Item
3.實(shí)現(xiàn)一個(gè)Spider類,通過(guò)接口完成爬取URL和提取Item的功能
4. 實(shí)現(xiàn)一個(gè)Item PipeLine類,完成Item的存儲(chǔ)功能
我將會(huì)用騰訊招聘官網(wǎng)作為例子。
Github源碼:https://github.com/maxliaops/scrapy-itzhaopin
目標(biāo):抓取騰訊招聘官網(wǎng)職位招聘信息并保存為JSON格式。
新建工程
首先,為我們的爬蟲(chóng)新建一個(gè)工程,首先進(jìn)入一個(gè)目錄(任意一個(gè)我們用來(lái)保存代碼的目錄),執(zhí)行:
scrapy startprojectitzhaopin
最后的itzhaopin就是項(xiàng)目名稱。這個(gè)命令會(huì)在當(dāng)前目錄下創(chuàng)建一個(gè)新目錄itzhaopin,結(jié)構(gòu)如下:
├── itzhaopin
│ ├── itzhaopin
│ │ ├── __init__.py
│ │ ├── items.py
│ │ ├── pipelines.py
│ │ ├── settings.py
│ │ └── spiders
│ │ └── __init__.py
│ └── scrapy.cfg
scrapy.cfg: 項(xiàng)目配置文件
items.py: 需要提取的數(shù)據(jù)結(jié)構(gòu)定義文件
pipelines.py:管道定義,用來(lái)對(duì)items里面提取的數(shù)據(jù)做進(jìn)一步處理,如保存等
settings.py: 爬蟲(chóng)配置文件
spiders: 放置spider的目錄
定義Item
在items.py里面定義我們要抓取的數(shù)據(jù):
from scrapy.item import Item, Field class TencentItem(Item): name = Field() # 職位名稱 catalog = Field() # 職位類別 workLocation = Field() # 工作地點(diǎn) recruitNumber = Field() # 招聘人數(shù) detailLink = Field() # 職位詳情頁(yè)鏈接 publishTime = Field() # 發(fā)布時(shí)間
實(shí)現(xiàn)Spider
Spider是一個(gè)繼承自scrapy.contrib.spiders.CrawlSpider的Python類,有三個(gè)必需的定義的成員
name: 名字,這個(gè)spider的標(biāo)識(shí)
start_urls:一個(gè)url列表,spider從這些網(wǎng)頁(yè)開(kāi)始抓取
parse():一個(gè)方法,當(dāng)start_urls里面的網(wǎng)頁(yè)抓取下來(lái)之后需要調(diào)用這個(gè)方法解析網(wǎng)頁(yè)內(nèi)容,同時(shí)需要返回下一個(gè)需要抓取的網(wǎng)頁(yè),或者返回items列表
所以在spiders目錄下新建一個(gè)spider,tencent_spider.py:
import re import json from scrapy.selector import Selector try: from scrapy.spider import Spider except: from scrapy.spider import BaseSpider as Spider from scrapy.utils.response import get_base_url from scrapy.utils.url import urljoin_rfc from scrapy.contrib.spiders import CrawlSpider, Rule from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor as sle from itzhaopin.items import * from itzhaopin.misc.log import * class TencentSpider(CrawlSpider): name = "tencent" allowed_domains = ["tencent.com"] start_urls = [ "http://hr.tencent.com/position.php" ] rules = [ # 定義爬取URL的規(guī)則 Rule(sle(allow=("/position.php\?&start=\d{,4}#a")), follow=True, callback='parse_item') ] def parse_item(self, response): # 提取數(shù)據(jù)到Items里面,主要用到XPath和CSS選擇器提取網(wǎng)頁(yè)數(shù)據(jù) items = [] sel = Selector(response) base_url = get_base_url(response) sites_even = sel.css('table.tablelist tr.even') for site in sites_even: item = TencentItem() item['name'] = site.css('.l.square a').xpath('text()').extract() relative_url = site.css('.l.square a').xpath('@href').extract()[0] item['detailLink'] = urljoin_rfc(base_url, relative_url) item['catalog'] = site.css('tr > td:nth-child(2)::text').extract() item['workLocation'] = site.css('tr > td:nth-child(4)::text').extract() item['recruitNumber'] = site.css('tr > td:nth-child(3)::text').extract() item['publishTime'] = site.css('tr > td:nth-child(5)::text').extract() items.append(item) #print repr(item).decode("unicode-escape") + '\n' sites_odd = sel.css('table.tablelist tr.odd') for site in sites_odd: item = TencentItem() item['name'] = site.css('.l.square a').xpath('text()').extract() relative_url = site.css('.l.square a').xpath('@href').extract()[0] item['detailLink'] = urljoin_rfc(base_url, relative_url) item['catalog'] = site.css('tr > td:nth-child(2)::text').extract() item['workLocation'] = site.css('tr > td:nth-child(4)::text').extract() item['recruitNumber'] = site.css('tr > td:nth-child(3)::text').extract() item['publishTime'] = site.css('tr > td:nth-child(5)::text').extract() items.append(item) #print repr(item).decode("unicode-escape") + '\n' info('parsed ' + str(response)) return items def _process_request(self, request): info('process ' + str(request)) return request
實(shí)現(xiàn)PipeLine
PipeLine用來(lái)對(duì)Spider返回的Item列表進(jìn)行保存操作,可以寫(xiě)入到文件、或者數(shù)據(jù)庫(kù)等。
PipeLine只有一個(gè)需要實(shí)現(xiàn)的方法:process_item,例如我們將Item保存到JSON格式文件中:
pipelines.py
from scrapy import signals import json import codecs class JsonWithEncodingTencentPipeline(object): def __init__(self): self.file = codecs.open('tencent.json', 'w', encoding='utf-8') def process_item(self, item, spider): line = json.dumps(dict(item), ensure_ascii=False) + "\n" self.file.write(line) return item def spider_closed(self, spider): self.file.close( )
到現(xiàn)在,我們就完成了一個(gè)基本的爬蟲(chóng)的實(shí)現(xiàn),可以輸入下面的命令來(lái)啟動(dòng)這個(gè)Spider
scrapy crawl tencent
爬蟲(chóng)運(yùn)行結(jié)束后,在當(dāng)前目錄下將會(huì)生成一個(gè)名為tencent.json的文件,其中以JSON格式保存了職位招聘信息。
部分內(nèi)容如下:
{"recruitNumber": ["1"], "name": ["SD5-資深手游策劃(深圳)"], "detailLink": " ["2014-04-25"], "catalog": ["產(chǎn)品/項(xiàng)目類"], "workLocation": ["深圳"]}
{"recruitNumber": ["1"], "name": ["TEG13-后臺(tái)開(kāi)發(fā)工程師(深圳)"], "detailLink": " "publishTime": ["2014-04-25"], "catalog": ["技術(shù)類"], "workLocation": ["深圳"]}
{"recruitNumber": ["2"], "name": ["TEG12-數(shù)據(jù)中心高級(jí)經(jīng)理(深圳)"], "detailLink": " "publishTime": ["2014-04-25"], "catalog": ["技術(shù)類"], "workLocation": ["深圳"]}
{"recruitNumber": ["1"], "name": ["GY1-微信支付品牌策劃經(jīng)理(深圳)"], "detailLink": " "publishTime": ["2014-04-25"], "catalog": ["市場(chǎng)類"], "workLocation": ["深圳"]}
{"recruitNumber": ["2"], "name": ["SNG06-后臺(tái)開(kāi)發(fā)工程師(深圳)"], "detailLink": " "publishTime": ["2014-04-25"], "catalog": ["技術(shù)類"], "workLocation": ["深圳"]}
{"recruitNumber": ["2"], "name": ["OMG01-騰訊時(shí)尚視頻策劃編輯(北京)"], "detailLink": " "publishTime": ["2014-04-25"], "catalog": ["內(nèi)容編輯類"], "workLocation": ["北京"]}
{"recruitNumber": ["1"], "name": ["HY08-QT客戶端Windows開(kāi)發(fā)工程師(深圳)"], "detailLink": " "publishTime": ["2014-04-25"], "catalog": ["技術(shù)類"], "workLocation": ["深圳"]}
{"recruitNumber": ["5"], "name": ["HY1-移動(dòng)游戲測(cè)試經(jīng)理(上海)"], "detailLink": "
{"recruitNumber": ["1"], "name": ["HY6-網(wǎng)吧平臺(tái)高級(jí)產(chǎn)品經(jīng)理(深圳)"], "detailLink": "
{"recruitNumber": ["4"], "name": ["TEG14-云存儲(chǔ)研發(fā)工程師(深圳)"], "detailLink": "
{"recruitNumber": ["1"], "name": ["CB-薪酬經(jīng)理(深圳)"], "detailLink": "
以上全部?jī)?nèi)容就是通過(guò)Python爬蟲(chóng)框架Scrapy實(shí)戰(zhàn)之批量抓取招聘信息的全部?jī)?nèi)容,希望對(duì)大家有所幫助,欲了解更多編程知識(shí),請(qǐng)鎖定我們的網(wǎng)站,每天都有新的內(nèi)容發(fā)布。
相關(guān)文章
Python深度學(xué)習(xí)實(shí)戰(zhàn)PyQt5菜單和工具欄功能作用
本文詳細(xì)解讀通過(guò) QtDesigner 創(chuàng)建主窗口、菜單欄和工具欄,并以菜單項(xiàng) “退出” 為例關(guān)聯(lián)系統(tǒng)定義的動(dòng)作處理方法。有需要的朋友可以借鑒參考下,希望能夠有所幫助2021-10-10python web框架Flask實(shí)現(xiàn)圖形驗(yàn)證碼及驗(yàn)證碼的動(dòng)態(tài)刷新實(shí)例
在本篇文章里小編給大家整理的是關(guān)于python web框架Flask實(shí)現(xiàn)圖形驗(yàn)證碼的相關(guān)知識(shí)點(diǎn),有需要的朋友們參考下。2019-10-10詳解python os.path.exists判斷文件或文件夾是否存在
這篇文章主要介紹了詳解python os.path.exists判斷文件或文件夾是否存在,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-11-11python實(shí)現(xiàn)讀取excel寫(xiě)入mysql的小工具詳解
EXCEL 和 MySQL 大體上來(lái)說(shuō)都可以算是"數(shù)據(jù)庫(kù)",MySQL貌似有EXCEL的接口,但是最近在自學(xué)Python,用Python實(shí)現(xiàn)了一下,下面這篇文章主要給大家介紹了關(guān)于利用python實(shí)現(xiàn)讀取excel寫(xiě)入mysql的一個(gè)小工具,需要的朋友可以參考下。2017-11-11