Scrapy实例2_腾讯招聘

爬取腾讯招聘数据https://careers.tencent.com/search.html,保存为json文件

分析网页

右键查看网页源代码发现网页主体内容是Query动态加载的数据,所以我们需要抓包
点击Network查看,发现第一页数据都在这个链接下https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1601278633129&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex=1&pageSize=10&language=zh-cn&area=cn
在这里插入图片描述
数据找到了就好办了,然后分析翻页时这个url的变化,每一页不同的是timestamp(时间戳)和pageIndex(页数),我们可以使用fomat和for语句获取每一页的数据在这里插入图片描述

创建Scrapy项目

打开Pycharm的Terminal输入scrapy startproject tencent
进入scrapy项目目录cd tencent

编写spider

创建爬虫文件scrapy genspider recruit tencent.com

编写爬虫代码

打开刚刚创建的recruit.py
修改start_urls

start_urls = ['https://careers.tencent.com/tencentcareer/api/post/Query?timestamp={}&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={}&pageSize=10&language=zh-cn&area=cn'.format(int(time.time() * 1000), index) for index in range(1, 638)]

编写parse方法

def parse(self, response):
    """
    数据解析
    :param response: 响应数据
    """
    result_data = json.loads(response.text)
    result = result_data['Data']['Posts']
    for temp in result:
        # 岗位名称
        name = temp['RecruitPostName'].strip()
        # 地址
        address = temp['LocationName'].strip()
        # 工作职责
        sibility = temp['Responsibility'].strip()
        item = TencentItem()
        item['name'] = name
        item['duty'] = sibility
        item['address'] = address
        yield item

完整代码如下

import json
import scrapy
import time
from ..items import TencentItem


class RecruitSpider(scrapy.Spider):
    name = 'recruit'
    allowed_domains = ['tencent.com']
    start_urls = ['https://careers.tencent.com/tencentcareer/api/post/Query?timestamp={}&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={}&pageSize=10&language=zh-cn&area=cn'.format(int(time.time() * 1000), index) for index in range(1, 638)]

    def parse(self, response):
        """
        数据解析
        :param response: 响应数据
        """
        result_data = json.loads(response.text)
        result = result_data['Data']['Posts']
        for temp in result:
            # 岗位名称
            name = temp['RecruitPostName'].strip()
            # 地址
            address = temp['LocationName'].strip()
            # 工作职责
            sibility = temp['Responsibility'].strip()
            item = TencentItem()
            item['name'] = name
            item['duty'] = sibility
            item['address'] = address
            yield item

编写items

import scrapy


class TencentItem(scrapy.Item):
    
    name = scrapy.Field()
    duty = scrapy.Field()
    address = scrapy.Field()

编写pipelines

import json



class TencentPipeline:
    def process_item(self, item, spider):
        self.fp = open('tencent.json', 'a', encoding='utf-8')
        json.dump(dict(item), self.fp, ensure_ascii=False)  # ensure_ascii=False防止中文输出ASCII字符码
        return item

    def close_pider(self):
        self.fp.close()

修改settings

找到ITEM_PIPELINES打开注释

运行scrapy项目

scrapy crawl recruit

json文件保存项目目录下
大家有什么问题欢迎留言!

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: Scrapy重写start_request的方法是在Spider类中定义一个start_requests()方法,该方法返回一个可迭代的Request对象列表,每个Request对象代表一个要爬取的URL。在这个方法中可以通过yield关键字返回Request对象,也可以通过return关键字返回一个Request对象列表。这些Request对象将被Scrapy引擎调度并发送到目标网站,从而开始爬取过程。 ### 回答2: Scrapy 是一种功能强大且灵活的 Python 爬虫框架,可以用于高效地爬取和提取各种类型的数据。其中,start_requests 是 Scrapy 中的一个重要方法,用于创建初始请求,并将其发送到目标站点以启动爬取过程。 在默认情况下,Scrapy 使用 start_requests 方法生成从 start_urls 中提取的请求。然而,有时候我们需要更精细地控制请求的生成和发送过程。这时,就需要重写 start_requests 方法,以实现自定义行为。对于此,我们可以采用如下的步骤: 1. 重写 start_requests 方法,并返回一个包含一个或多个 Request 对象的列表。 2. 在 Request 对象中指定其 url、callback 等参数,并可选地设置其他请求相关的参数,如 headers、formdata、meta 等属性。 3. 在 callback 方法中对返回的 Response 对象进行处理,从中提取和解析需要的数据。 具体来说,我们可以按照以下代码来重写 start_requests 方法: ```python import scrapy class MySpider(scrapy.Spider): name = 'myspider' def start_requests(self): urls = [ 'http://www.example.com/page1.html', 'http://www.example.com/page2.html', 'http://www.example.com/page3.html', ] for url in urls: yield scrapy.Request(url=url, callback=self.parse) def parse(self, response): # 在这里对返回的 Response 对象进行处理,提取和解析需要的数据 pass ``` 在上述代码中,我们重写了 start_requests 方法,并通过列表 urls 手动指定要爬取的网页地址。然后,使用 yield 关键字生成一个包含请求对象的生成器,其中每个请求对象包含一个 url 和一个回调函数 parse。一旦 Scrapy 发送了这些请求对象,就会调用对应的回调函数,并使用相应的 Response 对象作为参数传递给它。 值得注意的是,重写 start_requests 方法是 Scrapy 爬虫中使用相对较少的操作,因为 Scrapy 提供了许多方便快捷的方式来为每个页面自动生成请求对象,并使用相应的回调进行数据处理。然而,在特定情况下,自定义 start_requests 方法是非常有用的,特别是当我们需要处理动态生成的请求、反爬虫机制等问题时。 ### 回答3: Scrapy是一个功能强大的Python爬虫框架,它提供了许多灵活的功能和接口,使得用户可以轻松编写自定义的爬虫程序。在Scrapy框架中,start_requests函数是一个很重要的入口函数,它是用来生成初始请求并发送给Scrapy引擎的。 在Scrapy框架中,如果我们想要重写start_requests函数,可以通过覆盖Scrapy的Spider类中的该函数来实现。Scrapy的Spider类是所有爬虫的基类,通过继承这个类并重写start_requests函数,我们可以自定义一些请求的生成方式。 假设我们要重写start_requests函数,以下是一些可能的实现方式: 1. 使用一组自定义的URL列表进行爬取 ```python class MySpider(scrapy.Spider): name = "myspider" start_urls = [ "http://www.example.com/page1", "http://www.example.com/page2", "http://www.example.com/page3", ] def start_requests(self): for url in self.start_urls: yield scrapy.Request(url=url, callback=self.parse) ``` 2. 根据指定规则生成请求 ```python class MySpider(scrapy.Spider): name = "myspider" def start_requests(self): for i in range(1, 10): url = f"http://www.example.com/page{i}" yield scrapy.Request(url=url, callback=self.parse) ``` 3. 完全自定义请求的生成方式 ```python class MySpider(scrapy.Spider): name = "myspider" def start_requests(self): # 自定义请求的生成方式 payload = {"id": 123, "type": "foo"} headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"} url = "http://www.example.com/" yield scrapy.Request(method="POST", url=url, headers=headers, body=json.dumps(payload), callback=self.parse) ``` 通过重写start_requests函数,我们可以自定义一些请求的生成方式,进而实现我们所需的爬虫功能。在重写start_requests函数时,需要注意请求的生成方式和回调函数的设置,以确保正确地进行数据处理和存储。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值