Python网络爬虫(一):爬取51job前程无忧网数据并保存至MongoDB数据库
前言
参考博客: link.Python爬虫(7):多进程抓取拉钩网十万数据:
版本:Python3.7
编辑器:PyCharm
数据库:MongoDB
整体思路:
1.网页解析,查找所需信息的位置
2.开始网页爬取
3.爬取结果存入MongoDB数据库
爬虫
1.网页解析
打开网页后发现共有四大类求职岗位,分别是:互联网/电子商务、金融/投资/证券、汽车及零配件、房地产。打开开发者工具,查看四大类求职岗位的地址。
如:进入“互联网/电子商务”该类,对具体岗位信息进行查找。以当时网页第一个职位—“大客户销售”为例,可以发现我们所需的信息即职位、公司、所在地、薪水、发布日期。
前期准备工作完成,下面就开始爬虫了。
2.网页爬取
整个爬虫项目分为四个部分:主程序、MongoDB信息配置、网页索引、职位爬取与保存
1).主程序
# -*- coding:utf-8 -*-
import time
from multiprocessing import Pool
from job_spider import parse_link
from job_indexspider import parse_index
def main(data):
url = data['url']
print(url)
mongo_table = data['name']
if mongo_table[0] == '.':
mongo_table = mongo_table[1:]
parse_link(url, mongo_table)
if __name__ == '__main__':
t1 = time.time()
pool = Pool(processes=4)
datas = (data for data in parse_index())
pool.map(main, datas)
pool.close()
pool.join()
print(time.time() - t1)
2).MongoDB信息配置
# 配置数据库信息
MONGO_URL = 'localhost' # 数据库地址
MONGO_DB = '51job' # 数据库名称
3).网页索引
通过四大类:互联网/电子商务、金融/投资/证券、汽车及零配件、房地产的网页地址跳转至具体的岗位信息
# -*- coding:utf-8 -*-