hr学python爬虫_如何入门 Python 爬虫？

——————————————————————————————————

云栖社区中有一篇关于：scrapy爬虫系列 <一>.安装及入门介绍，期望对亲有所帮助，以下是全部内容：[Python爬虫] scrapy爬虫系列 &amp;lt;一&amp;gt;.安装及入门介绍

一. 安装过程

本文主要讲述Windows下的安装过程，首先我的Python是2.7.8版本。

主要通过Python的PIP语句进行安装：

pip install scrapy

然后，输入 pip install scrapy命令进行安装。

安装成功后，通过cmd调用 scrapy 指令查看，表示安装成功。

如果过程中存在如下图所示错误"no module named win32api"，则需要下载安装win32，选择2.7.8版本。地址为：http://sourceforge.net/projects/pywin32/files/

此时，scrapy安装成功，可以进行第二步"第一个scrapy爬虫实现"了~

正如xifeijian大神所说：“作为Python爱好者，如果不知道easy_install或者pip中的任何一个的话，那么......”。easy_insall的作用和perl中的cpan，ruby中的gem类似，都提供了在线一键安装模块的傻瓜方便方式，而pip是easy_install的改进版，提供更好的提示信息，删除package等功能。老版本的python中只有easy_install，没有pip。常见的具体用法如下：

easy_install的用法：

1） 安装一个包

$ easy_install

$ easy_install "=="

2) 升级一个包

$ easy_install -U ">="

pip的用法

1) 安装一个包

$ pip install

$ pip install ==

2) 升级一个包 (如果不提供version号，升级到最新版本）

$ pip install --upgrade >=

3）删除一个包

$ pip uninstall

二. 第一个scrapy爬虫程序实现

官网介绍：

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了 页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。

An open source and collaborative framework for extracting the data you need from websites. In a fast, simple, yet extensible way.

下面是参考官网在windows下实现的第一个scrapy爬虫程序：

打开Python IDLE，创建myspider.py文件，代码如下：

import scrapy

class BlogSpider(scrapy.Spider):

name = 'blogspider'

start_urls = ['http://blog.scrapinghub.com']

def parse(self, response):

for url in response.css('ul li a::attr("href")').re(r'.*/\d\d\d\d/\d\d/$'):

yield scrapy.Request(response.urljoin(url), self.parse_titles)

def parse_titles(self, response):

for post_title in response.css('div.entries > ul > li a::text').extract():

yield {'title': post_title}

如果此时你试图点击Run运行程序或在IDLE中输入 scrapy runspider myspider.py，似乎返回如下错误：

此时我怀疑Windows下需要调用cmd运行程序，还是强烈推荐在Linux下学习使用Python相关编程知识。调用cd去到文件所在目录：

cd G:\software\Program software\Python\python insert\scrapy project

然后在运行程序，结果输出如下所示：

此时，程序能够运行成功了，不论结果如何、代码如何，总算在Windows下跑起来了。下面第三部分，我再简单介绍如何调用Scrapy爬虫进行一个入门相关的爬取~

三. Scrapy入门介绍

Windows下Ctrl+R调用CMD命令行。输入命令如下：

1.chcp 936

unknown encoding: cp65001异常时，需要将编码(UTF-8)修改为 简体中文(GBK)

2.cd G:\software\Program software\Python\python insert\scrapy project

去到安装Scrapy目录下

3.cd scrapy-itzhaopin-master\itzhaopin

再次去到下载的文件itzhaopin目录下

4.scrapy crawl tencent

运行代码启动这个Spider，进行下载

最后运行会在scrapy-itzhaopin-master\itzhaopin文件夹下生产一个tencent.json的结果。数据量很大，下图只展示部分日期是2015-11-07的数据，如下所示：

其中代码itzhaopin项目的结果图如下所示：参考原文作者博客

├── itzhaopin

│ ├── itzhaopin

│ │ ├── __init__.py

│ │ ├── items.py

│ │ ├── pipelines.py

│ │ ├── settings.py

│ │ └── spiders

│ │ └── __init__.py

│ └── scrapy.cfg

scrapy.cfg: 项目配置文件

items.py: 需要提取的数据结构定义文件

pipelines.py:管道定义，用来对items里面提取的数据做进一步处理，如保存等

settings.py: 爬虫配置文件

spiders: 放置spider的目录

核心的几个py文件内容如下，详见github：

1.items.py：定义我们要抓取的数据

# Define here the models for your scraped items

#

# See documentation in:

# http://doc.scrapy.org/en/latest/topics/items.html

from scrapy.item import Item, Field

class TencentItem(Item):

name = Field() # 职位名称

catalog = Field() # 职位类别

workLocation = Field() # 工作地点

recruitNumber = Field() # 招聘人数

detailLink = Field() # 职位详情页链接

publishTime = Field() # 发布时间

2.spiders文件夹中tencent_spider.py文件：实现Spider

Spider是一个继承自scrapy.contrib.spiders.CrawlSpider的Python类，有三个必需的定义的成员

name: 名字，这个spider的标识

start_urls:一个url列表，spider从这些网页开始抓取

parse():一个方法，当start_urls里面的网页抓取下来之后需要调用这个方法解析网页内容，同时需要返回下一个需要抓取的网页，或者返回items列表

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 = [

Rule(sle(allow=("/position.php\?&start=\d{,4}#a")), follow=True, callback='parse_item')

]

def parse_item(self, response):

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()[0]

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()[0]

item['workLocation'] = site.css('tr > td:nth-child(4)::text').extract()[0]

item['recruitNumber'] = site.css('tr > td:nth-child(3)::text').extract()[0]

item['publishTime'] = site.css('tr > td:nth-child(5)::text').extract()[0]

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()[0]

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()[0]

item['workLocation'] = site.css('tr > td:nth-child(4)::text').extract()[0]

item['recruitNumber'] = site.css('tr > td:nth-child(3)::text').extract()[0]

item['publishTime'] = site.css('tr > td:nth-child(5)::text').extract()[0]

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

3.pipelines.py：实现PipeLine

PipeLine用来对Spider返回的Item列表进行保存操作，可以写入到文件、或者数据库等。PipeLine只有一个需要实现的方法：process_item，例如我们将Item保存到JSON格式文件中：

# Define your item pipelines here

#

# Don't forget to add your pipeline to the ITEM_PIPELINES setting

# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

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(

)

4.settings.py：设置文件

# Scrapy settings for itzhaopin project

#

# For simplicity, this file contains only the most important settings by

# default. All the other settings are documented here:

#

# http://doc.scrapy.org/en/latest/topics/settings.html

#

BOT_NAME = 'itzhaopin'

SPIDER_MODULES = ['itzhaopin.spiders']

NEWSPIDER_MODULE = 'itzhaopin.spiders'

# Crawl responsibly by identifying yourself (and your website) on the user-agent

#USER_AGENT = 'itzhaopin (+http://www.yourdomain.com)'

ITEM_PIPELINES = {

'itzhaopin.pipelines.JsonWithEncodingTencentPipeline': 300,

}

LOG_LEVEL = 'INFO'

看了这个简单的例子后，后面的文章就会根据原文进行一些自定义的爬虫实验了，希望对你有所帮助吧~