python中的scrapy爬虫_python爬虫Scrapy(一)-我爬了boss数据

一、概述

学习python有一段时间了，最近了解了下Python的入门爬虫框架Scrapy，参考了文章Python爬虫框架Scrapy入门。本篇文章属于初学经验记录，比较简单，适合刚学习爬虫的小伙伴。

这次我选择爬取boss直聘的招聘信息数据，毕竟这个网站的数据还是很有参考价值的，下面我们讲述怎么爬取boss直聘的招聘信息并存盘，下一篇文章我们在对爬取到的数据进行分析。

二、Scrapy框架使用步骤

下面我们做一个简单示例，创建一个名字为BOSS的爬虫工程，然后创建一个名字为zhipin的爬虫来爬取zhipin.com这个网站

创建工程步骤：

1、创建工程 scrapy startproject BOSS

2、创建爬虫程序 cd BOSS 回车 scrapy gensipder zhipin zhipin.com

3、编写数据存储模板items.py 类对象继承自scrapy.item

4、编写爬虫zhipin.py 类对象集成子scrapy.Spider

5、修改settings.py配置文件 ITEM_PIPELINES = {'BOSS.pipelines.WwwZhipinComPipeline':100}

6、编写数据处理脚本进行数据保存，pipelines.py 类对象继承自object

1 defprocess_item(self, item, spider):2 with open("my_boss.txt", 'a') as fp:3 fp.write(item['name'] + '\n')

7、执行爬虫 cd BOSS 回车 scrapy crawl zhipin --nolog

注意：如果导出的中文信息乱码则需要在settings.py文件中配置编码：FEED_EXPORT_ENCODING = 'utf-8'

三、环境安装

爬虫框架我们使用Scrapy，爬取到的数据我们使用mongodb来存储

1、安装Scrapy

1 pip install Scrapy

2、安装mongodb

1 pip install pymongo

如果安装速度太慢，或者安装失败可以尝试使用pip install pymongo -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

mongodb基础操作命令参考：MongoDB基本命令操作

上述操作只是安装了mongodb的python驱动程序，如果要成功存储数据还需要安装Mongodb，具体安装流程参考Windows平台安装MongoDB，安装完成后一定要记得使用命令启动mongodb服务：net start MongoDB

四、mongodb使用

上一小节我们已经安装了mongodb数据库和驱动，因此后续我们爬取到的招聘信息就存储在该数据库中，为了方便数据存储，我们这里封装了一个类，来快速的访问数据库，代码如下所示

1 from pymongo importMongoClient2

3 classmy_connect(object):4 def __init__(self, settings):5 try:6 self.conn = MongoClient(settings["ip"], settings["port"])7 exceptException as e:8 print(e)9 self.db = self.conn[settings["db_name"]]10 self.my_set = self.db[settings["set_name"]]11

12 definsert(self, dic):13 self.my_set.insert(dic)14

15 defupdate(self, dic, newdic):16 self.my_set.update(dic, newdic)17

18 defdelete(self, dic):19 self.my_set.remove(dic)20

21 defdbfind(self, dic):22 returnself.my_set.find(dic)23

24 defsetTableName(self, name):25 #print(u'修改当前使用集合:{}'.format(name))

26 self.my_set = self.db[name]

上述代码中我们封装了一个名为my_connect的类，并提供了输入、更新、删除和查找文档的接口，除此之外还提供了一个setTableName的接口，这个接口主要是用于往不同集合中插入文档数据。MongoDB 概念解析可以看这里。mongodb属于非关系型数据库，与关系型数据库对比图如下

my_connect初始化函数中有一个参数，需要我们传入ip地址、端口号、数据库名字和集合名字，使用方式如下所示

1 from pymongo importMongoClient2 from my_connect importmy_connect3

4 settings ={5 "ip":'127.0.0.1', #ip

6 "port":27017, #端口

7 "db_name" : "zhipin_datas", #数据库名字

8 "set_name" : "test" #集合名字

9 }10

11 conn =my_connect(settings)12 conn.setTableName('21')13 conn.insert({'12':'3'})

五、创建爬虫zhipin

1、输入如下命令，创建zhipin爬虫

1 scrapy startproject www_zhipin_com2 cd www_zhipin_com 回车 scrapy gensipder zhipin www.zhipin.com

2、修改zhipin.py，爬取数据，类中成员属性含义代码中都有解释，这里不做解释，需要注意的是parse方法，该方法是爬取到数据以后的回调函数，参数response表示爬取到的结果，我们可以对其进行解析拿到网页数据。

1 classZhipinSpider(scrapy.Spider):2 #spider的名字定义了Scrapy如何定位(并初始化)spider，所以其必须是唯一的。

3 #不过您可以生成多个相同的spider实例(instance)，这没有任何限制。

4 #name是spider最重要的属性，而且是必须的

5 name = 'zhipin'

6

7 #可选。包含了spider允许爬取的域名(domain)列表(list)。

8 #当 OffsiteMiddleware 启用时， 域名不在列表中的URL不会被跟进。

9 allowed_domains = ['www.zhipin.com']10

11 #URL列表。当没有指定特定的URL时，spider将从该列表中开始进行爬取。

12 #这里我们进行了指定，所以不是从这个 URL 列表里爬取

13 start_urls = ['http://www.zhipin.com/']14

15 #网址URL中特殊字符转义编码：https://blog.csdn.net/u010828718/article/details/50548687

16 #爬取的页面，可以改为自己需要搜的条件，这里搜的是 北京-C++，其他条件都是不限

17 #query：查询岗位

18 #period：时间范围 5表示一个月内 &在url中需要写为%26

19 #a_街道b_区名称 eg：a_上地-b_海淀区 包含在路径内，城市编号(c101010100)下一级

20 positionUrl = 'https://www.zhipin.com/c101010100/?query=C%2B%2B%'

21 curPage = 1

解析数据时，默认一次可以拿到30条数据，我们循环遍历这30条数据，构造WwwZhipinComItem对象item，然后调用yield item即可

1 defparse(self, response):2 job_list = response.css('div.job-list > ul > li')3 request_data =[]4 for job injob_list:5 item =WwwZhipinComItem()6 ...

7 yield item

2.1、这里有一个小技巧，我们重写start_requests方法，让他调用了我们自己写的一个方法next_request，并设置了回调函数为parse方法，当parse数据解析完毕后，又构造一个新的url在次调用next_request方法拉取数据，一直循环迭代，拉取数据、解析数据

2.2、boss直聘有一个限制，不管以什么样的方式搜索数据，数据最多显示10页，这也就要求我们需要对爬虫做一个处理，在合适的实际去终止拉取数据，否则爬虫会一直运行下去，直到boss直聘返回异常(请求被限制)

2.3、经过对爬虫数据的分析，我们发现当最后一次请求和上一次请求的数据完全一样时，我们可能已经到达请求的最后一页，那么这个时候我们就可以去终止爬虫了

2.4、为了快速的比对我么爬取到的数据是否和上一次一样，我们对爬取到的数据进行简单的处理，每次去对比关键字段即可

1 classitemData(object):2 def __init__(self, data):3 self.companyShortName = data['companyShortName']4 self.positionName = data['positionName']5 self.time = data['time']6 self.city = data['city']7

8 def __eq__(self, other):9 return (self.positionName ==other.positionName10 and self.companyShortName ==other.companyShortName11 and self.time ==other.time12 and self.city ==other.city)13

14 def __str__(self):15 return "{}:{}:{}:{}".format(self.companyShortName16 , self.time17 , self.city18 , self.positionName)

itemData包含是一条招聘信息，存储了招聘公司名称，职位名称，发布时间和发布城市，我们重写了__eq__方法，就是为了比对两个对象是否相等。

2.5、一次请求的数据是一个itemData集合，当两个集合相等时我们即可终止爬虫

1 if one_request == request_data:#已经拉取到最后一页数据了 退出

2 print('{}:本次拉取数据和上次拉取数据相同，{}'.format(time.strftime("%Y-%m-%d %H:%M:%S"

3 , time.localtime()), self.curPage))4 return

5

6 one_request = request_data #更新最后一次请求数据

7

8 print('{}:拉取数据量:{}'.format(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()), len(job_list)))9 self.curPage += 1

10 time.sleep(5) #停停停！听听听！都给我停下来听着！睡一会(～﹃～)~zZ

11 yield self.next_request()

2.6、parse解析数据时，对每一条数据会构造一个WwwZhipinComItem对象item，并通过yield item方式触发

3、对于爬取的字段定义需要我们修改item.py文件，定义爬取字段如下

1 classWwwZhipinComItem(scrapy.Item):2 #define the fields for your item here like:

3 #name = scrapy.Field()

4 pid =scrapy.Field()5 positionName =scrapy.Field()6 positionLables =scrapy.Field()7 workYear =scrapy.Field()8 salary =scrapy.Field()9 city =scrapy.Field()10 education =scrapy.Field()11 companyShortName =scrapy.Field()12 industryField =scrapy.Field()13 financeStage =scrapy.Field()14 companySize =scrapy.Field()15 time =scrapy.Field()16 updated_at = scrapy.Field()

4、最后一步写入数据库

4.1、第四节我们封装了一个名字为my_connect的数据库操作对象，在这里我们就可以用上了。

4.2、首先构造一个conn对象

1 db_name = 'zhipin_datas_C++'

2 nowMonth =datetime.datetime.now().month3 settings ={4 "ip":'127.0.0.1', #ip

5 "port":27017, #端口

6 "db_name" : db_name, #数据库名字

7 "set_name" : "test" #集合名字

8 }9

10 conn = my_connect(settings)

4.3、指定要插入的集合，然后构造数据、插入数据

1 conn.setTableName(month)2

3 data = {"pid": item['pid']#"27102804"

4 , "positionName": item['positionName']5 , "positionLables": item['positionLables']#[]

6 , "workYear": item['workYear']#"5-10年"

7 , "salary": item['salary']#"30k-50k"

8 , "city": item['city']#"北京 海淀区 知春路"

9 , "education": item['education']#"硕士"

10 , "companyShortName": item['companyShortName']#"vmware"

11 , "industryField": item['industryField']#"计算机软件"

12 , "financeStage": item['financeStage']#"已上市"

13 , "companySize": item['companySize']#"10000人以上"

14 , "time": item['time']#"2018-11-13 17:35:02"

15 , "updated_at": item['updated_at']#"2018-11-13 17:35:02"

16 }17

18 conn.insert(data)

4.4、数据爬取结束后，使用gui工具Navicat 12 for MongoDB可以查看爬取到的数据，效果如下图所示

六、源码下载

如果您觉得文章不错，不妨给个打赏，写作不易，感谢各位的支持。您的支持是我最大的动力，谢谢！！！

很重要--转载声明

本站文章无特别说明，皆为原创，版权所有，转载时请用链接的方式，给出原文出处。同时写上原作者：朝十晚八 or Twowords

如要转载，请原文转载，如在转载时修改本文，请事先告知，谢绝在转载时通过修改本文达到有利于转载者的目的。