python

#python| 来源: 网络整理| 查看: 265

首先准备python3+scrapy+mysql+pycharm。。。

这次我们选择爬取智联招聘网站的企业招聘信息，首先我们有针对的查看网站的html源码，发现其使用的是js异步加载的方式，直接从服务端调取json数据，这就意味着我们用地址栏的网址获取的网站内容是不全的，无法获得想要的数据。

那么我们用什么方式获取想要的数据呢，正所谓道高一尺魔高一丈，有反爬虫就有范反爬虫，当然我们不用那么麻烦，通过分析页面的加载有针对性的抓包获取信息进行分析，我们会发现每次刷新或者搜索页面时候，除了会加载许多图片、广告等信息外，还加载了一个包，这个包里就有我们想要的所有信息，并且服务端都给我们打包成json格式了，这样看似复杂，实则简化了我们对数据进行过滤的步骤。

直接从头文件中找到请求的url源头，那么就能直接获取json数据了。怎么样是不是感受到了世界的友好呢？

分析完毕，接下来就可以编写爬虫数据了。。。

一、创建爬虫项目

在命令行中在指定的目录创建爬虫项目

scrapy startproject zhilian

然后就是创建爬虫文件

scrapy genspider zhaopin "sou.zhaopin.com"　　#要把http://www去掉因为爬虫项目运行时会自动加上，这里也是为了避免不必要的错误

二、编写程序

首先编写item文件，我们有选择的爬取几个关键数据

import scrapy class ZhilianItem(scrapy.Item): # 岗位名称 jobName = scrapy.Field() # 公司名称 companyName = scrapy.Field() # 工作地点 workSite = scrapy.Field() # 更新日期 updateDate = scrapy.Field() # 薪资水平 salaryLevel = scrapy.Field() # 岗位关键词 jobKeyWord = scrapy.Field()

然后就是编写爬虫文件了我们的命名为zhaopin.py

# -*- coding: utf-8 -*- import json import scrapy from zhilian.items import ZhilianItem class zhaopinSpider(scrapy.Spider): name = 'javaDevelop' allowed_domains = ['sou.zhaopin.com'] offset = 0 url1 = "https://fe-api.zhaopin.com/c/i/sou?start=" url2 = "&pageSize=90&cityId=530&workExperience=-1&education=-1&companyType=-1&employmentType=-1&jobWelfareTag=-1&kw=%E7%BB%8F%E6%B5%8E&kt=3" start_urls = ( url1 + str(offset) + url2,　　#此为我们简化后的网址，网址的规律相当简单，简单试试就找到规律了 ) print(start_urls) def parse(self, response):for flag in range(0, 90): item = ZhilianItem() job = json.loads(response.text)['data']['results'][flag] # 岗位名称 item['jobName'] = job['jobName'] # 公司名称 item['companyName'] = job['company']['name'] # 工作地点 item['workSite'] = job['city']['display'] # 更新日期 item['updateDate'] = job['updateDate'] # 薪资水平 item['salaryLevel'] = job['salary'] # 岗位关键词 item['jobKeyWord'] = job['welfare'] yield item if self.offset < 450: self.offset += 90 yield scrapy.Request(self.url1 + str(self.offset) + self.url2, callback=self.parse, dont_filter=True)　　　　　　　#dont_filter=True这个参数相当重要，指不过滤url直接爬取。否则你会发现你的爬虫爬取完第一页后就不会再爬取了，这样是因为url与爬取域url不符，爬虫自动认为爬取结束

接下来就是写管道文件了，这里我用了两种方式，一种是写到数据库中，还有一种是写道本地txt文件中

import pymysql class zhaoPipeline(object): def __init__(self): self.conn = pymysql.connect(host='172.18.96.151', user='root', password='123456', db='zhilian', charset='utf8' ) self.cur = self.conn.cursor() def process_item(self, item, spider): # 岗位名称 jobName = item['jobName'] # 公司名称 companyName = item['companyName'] # 工作地点 workSite = item['workSite'] # 官网链接 updateDate = item['updateDate'] # 薪资水平 salaryLevel = item['salaryLevel'] # 岗位关键词 jobKeyWord = item['jobKeyWord'] data = [jobName, companyName, workSite, updateDate, salaryLevel, ','.join(jobKeyWord)] print(data) print("======================================") sql = """ insert into zhaopin (jobname,companyname,worksite,updatedate,salarylevel,jobkeyword) values (%s,%s,%s,%s,%s,%s) """ # self.conn.ping(reconnect=True) self.cur.execute(sql, data) self.conn.commit() def close_spider(self, spider): self.cur.close() self.conn.close() class ZhilianPipeline(object): def __init__(self): self.filename = open("java.txt", 'wb') # self.path = "G:\images\p" # if not os.path.exists(self.path): # os.mkdir(self.path) def process_item(self, item, spider): # 岗位名称 jobName = item['jobName'] # 公司名称 companyName = item['companyName'] # 工作地点 workSite = item['workSite'] # 官网链接 updateDate = item['updateDate'] # 薪资水平 salaryLevel = item['salaryLevel'] # 岗位关键词 jobKeyWord = item['jobKeyWord'] self.filename.write(jobName.encode('utf-8') + ' '.encode('utf-8') + companyName.encode('utf-8') + ' '.encode('utf-8') + workSite.encode('utf-8') + ' '.encode('utf-8') + updateDate.encode('utf-8') + ' '.encode('utf-8') + salaryLevel.encode('utf-8') + ' '.encode('utf-8') + ','.join(jobKeyWord).encode('utf-8') + '\n'.encode('utf-8')) return item def close_spider(self, spider): self.filename.close()

手把手教学，我们附上建立库语句

create table zhaopin (id int(10) not null primary key AUTO_INCREMENT, jobname varchar(40), companyname varchar(20), worksite varchar(10), updatedate datetime, salarylevel varchar(10), jobkeyword varchar(40) );

然后就剩下最后的设置setting了，下面三个关键的地方要改

ROBOTSTXT_OBEY = False DEFAULT_REQUEST_HEADERS = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.87 Safari/537.36', # 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', # 'Accept-Language': 'en', }

ITEM_PIPELINES = { 'zhilian.pipelines.ZhilianPipeline': 300, 'zhilian.pipelines.zhaoPipeline': 200,}

三、运行爬虫

scrapy crawl zhaopin

等待片刻，刷新数据表

OVER。。。

【本文地址】

python

python

今日新闻

推荐新闻