Glassdoor 评论抓取器使用教程
1. 项目的目录结构及介绍
glassdoor-review-scraper/
├── .gitignore
├── LICENSE
├── README.md
├── main.py
├── requirements.txt
├── schema.py
- .gitignore: 用于指定Git版本控制系统忽略的文件和目录。
- LICENSE: 项目的许可证文件,本项目使用BSD-2-Clause许可证。
- README.md: 项目说明文档,包含项目的基本介绍和使用说明。
- main.py: 项目的启动文件,包含主要的抓取逻辑。
- requirements.txt: 项目依赖的Python包列表。
- schema.py: 定义数据结构的文件,用于存储抓取的数据。
2. 项目的启动文件介绍
main.py
是项目的启动文件,负责初始化和执行抓取任务。以下是 main.py
的主要功能:
- 导入必要的模块和配置。
- 初始化抓取任务。
- 执行抓取逻辑,从Glassdoor网站抓取评论数据。
- 将抓取的数据保存到指定的格式或数据库中。
3. 项目的配置文件介绍
项目中没有显式的配置文件,但可以通过命令行参数或环境变量进行配置。以下是一些常见的配置选项:
- --limit: 设置抓取的最大评论数量。
- --max_date: 设置抓取评论的最大日期。
- --url: 设置抓取的Glassdoor页面URL。
例如,可以通过以下命令行参数启动抓取任务:
python main.py --limit 9999 --max_date 2010-12-31 --url "https://www.glassdoor.com/Reviews/McDonald-s-Reviews-E432_P13.htm?sort.sortType=RD&sort.ascending=true"
以上是 glassdoor-review-scraper
项目的基本使用教程,涵盖了项目的目录结构、启动文件和配置文件的介绍。希望这些信息能帮助你更好地理解和使用该项目。