测试了下,采用单进程爬取5000条数据大概需要22分钟,速度太慢了点。我们把脚本改进下,采用多进程。
首先获取所有要爬取的URL,在这里不建议使用集合,字典或列表的数据类型来保存这些URL,因为数据量太大,太消耗内存,这里,python的生成器就发挥作用了。
defget_urls(total_page,cityname,jobname):'''获取需要爬取的URL以及部分职位信息
:param start: 开始的工作条数
:param cityname: 城市名
:param jobname: 工作名
:return: 字典'''
for start inrange(total_page):
url= r'https://fe-api.zhaopin.com/c/i/sou?start={}&pageSize=60&cityId={}&workExperience=-1&education=-1'\
r'&companyType=-1&employmentType=-1&jobWelfareTag=-1&kw={}&kt=3'.format(start*60,cityname,jobname)try:
rec=requests.get(url)if rec.status_code == 200:
j=json.loads(rec.text)
results= j.get('data').get('results')for job inresults:
empltype= job.get('emplType') #职位类型,全职or校园
if empltype=='全职':
positionURL= job.get('positionURL') #职位链接
createDate = job.get('createDate') #招聘信息创建时间
updateDate = job.get('updateDate') #招聘信息更新时间
endDate = job.get('endDate') #招聘信息截止时间
positionLabel = job.get('positionLabel')ifpositionLabel:
jobLight_par= (re.search('"jobLight":\[(.*?|[\u4E00-\u9FA5]+)\]',job.get('positionLabel'))) #职位亮点
jobLight = jobLight_par.group(1) if jobLight_par elseNoneelse:
jobLight=Noneyield{'positionURL':positionURL,'createDate':createDate,'updateDate':updateDate,'endDate':endDate,'jobLight':jobLight
}exceptException as e:
logger.error('get urls faild:%s', e)return None
在使用多进程之前,有两个问题需要解决:
1、在爬取过程中,即需要把爬取完成的URL实时保存到old_url这个变量中,又要去查询要爬取的URL是否在这个old_url,那么就要使这个old_url的变量在多个进程之间共享数据。这里使用multiprocessing的Manager()方法
2、每个进程都要把爬取下来的数据保存到同一个CSV文件中,多个进程同时去修改一个CSV,当然会报异常。这里我们引入回调函数来解决整个问题
defmycallback(data):ifdata:
csv_filename= data.pop('csv_filename')
with open(csv_filename,'a+',newline='',encoding='utf-8-sig') as f:
f_csv=csv.DictWriter(f,data.keys())
f_csv.writerow(data)
好了,解决上述两个问题后,就可以使用进程池Pool()来实现多进程了
if __name__=='__main__':
start_time=datetime.datetime.now()
logger.info('*' * 20 + "start running spider!" + '*' * 20)
old_url_l= load_progress('old_url.txt')
manager=Manager()
old_url=manager.list(old_url_l)if notos.path.exists(output_path):
os.mkdir(output_path)for jobname injob_names:for cityname incity_names:
pool=Pool()
logger.info('*'*10+'start spider'+'jobname:'+jobname+'city:'+cityname+'*'*10)
total_page=get_page_nums(cityname,jobname)
csv_filename=output_path+'/{0}_{1}.csv'.format(jobname,cityname)if notos.path.exists(csv_filename):
write_csv_headers(csv_filename)
urls=get_urls(total_page, cityname, jobname)for url inurls:
pool.apply_async(get_job_info,args=(url,old_url,csv_filename),callback=mycallback)
pool.close()
pool.join()
logger.info('*'*10+'jobname:'+jobname+'city:'+cityname+'spider finished!'+'*'*10)
save_progress(set(old_url),'old_url.txt')
end_time=datetime.datetime.now()
logger.info('*' * 20 + "spider finished!Running time:%s" % (end_time - start_time) + '*' * 20)print("Running time:%s" % (end_time - start_time))
测试了下,我是4核电脑,爬取速度大概是单进程的3倍,智联招聘的反爬虫很弱,基本上不封IP。
所有代码都已经上传到github中,地址:https://github.com/Python3SpiderOrg/zhilianzhaopin