python爬虫框架实例项目_Python爬虫框架Scrapy实例代码

目标任务：爬取腾讯社招信息，需要爬取的内容为：职位名称，职位的详情链接，职位类别，招聘人数，工作地点，发布时间。

一、创建Scrapy项目

scrapy startproject Tencent

命令执行后，会创建一个Tencent文件夹，结构如下

二、编写item文件，根据需要爬取的内容定义爬取字段

# -*- coding: utf-8 -*-

import scrapy

class TencentItem(scrapy.Item):

# 职位名

positionname = scrapy.Field()

# 详情连接

positionlink = scrapy.Field()

# 职位类别

positionType = scrapy.Field()

# 招聘人数

peopleNum = scrapy.Field()

# 工作地点

workLocation = scrapy.Field()

# 发布时间

publishTime = scrapy.Field()

三、编写spider文件

进入Tencent目录，使用命令创建一个基础爬虫类：

# tencentPostion为爬虫名，tencent.com为爬虫作用范围

scrapy genspider tencentPostion "tencent.com"

执行命令后会在spiders文件夹中创建一个tencentPostion.py的文件，现在开始对其编写：

# -*- coding: utf-8 -*-

import scrapy

from tencent.items import TencentItem

class TencentpositionSpider(scrapy.Spider):

"""

功能：爬取腾讯社招信息

"""

# 爬虫名

name = "tencentPosition"

# 爬虫作用范围

allowed_domains = ["tencent.com"]

url = "http://hr.tencent.com/position.php?&start="

offset = 0

# 起始url

start_urls = [url + str(offset)]

def parse(self, response):

for each in response.xpath("//tr[@class='even'] | //tr[@class='odd']"):

# 初始化模型对象

item = TencentItem()

# 职位名称

item['positionname'] = each.xpath("./td[1]/a/text()").extract()[0]

# 详情连接

item['positionlink'] = each.xpath("./td[1]/a/@href").extract()[0]

# 职位类别

item['positionType'] = each.xpath("./td[2]/text()").extract()[0]

# 招聘人数

item['peopleNum'] = each.xpath("./td[3]/text()").extract()[0]

# 工作地点

item['workLocation'] = each.xpath("./td[4]/text()").extract()[0]

# 发布时间

item['publishTime'] = each.xpath("./td[5]/text()").extract()[0]

yield item

if self.offset < 1680:

self.offset += 10

# 每次处理完一页的数据之后，重新发送下一页页面请求

# self.offset自增10，同时拼接为新的url，并调用回调函数self.parse处理Response

yield scrapy.Request(self.url + str(self.offset), callback = self.parse)

四、编写pipelines文件

# -*- coding: utf-8 -*-

import json

class TencentPipeline(object):

"""

功能：保存item数据

"""

def __init__(self):

self.filename = open("tencent.json", "w")

def process_item(self, item, spider):

text = json.dumps(dict(item), ensure_ascii = False) + ",\n"

self.filename.write(text.encode("utf-8"))

return item

def close_spider(self, spider):

self.filename.close()

五、settings文件设置（主要设置内容）

# 设置请求头部，添加url

DEFAULT_REQUEST_HEADERS = {

"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;",

'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'

}

# 设置item——pipelines

ITEM_PIPELINES = {

'tencent.pipelines.TencentPipeline': 300,

}

执行命令，运行程序

# tencentPosition为爬虫名

scrapy crwal tencentPosition

使用CrawlSpider类改写

# 创建项目

scrapy startproject TencentSpider

# 进入项目目录下，创建爬虫文件

scrapy genspider -t crawl tencent tencent.com

item等文件写法不变，主要是爬虫文件的编写

# -*- coding:utf-8 -*-

import scrapy

# 导入CrawlSpider类和Rule

from scrapy.spiders import CrawlSpider, Rule

# 导入链接规则匹配类，用来提取符合规则的连接

from scrapy.linkextractors import LinkExtractor

from TencentSpider.items import TencentItem

class TencentSpider(CrawlSpider):

name = "tencent"

allow_domains = ["hr.tencent.com"]

start_urls = ["http://hr.tencent.com/position.php?&start=0#a"]

# Response里链接的提取规则，返回的符合匹配规则的链接匹配对象的列表

pagelink = LinkExtractor(allow=("start=\d+"))

rules = [

# 获取这个列表里的链接，依次发送请求，并且继续跟进，调用指定回调函数处理

Rule(pagelink, callback = "parseTencent", follow = True)

]

# 指定的回调函数

def parseTencent(self, response):

for each in response.xpath("//tr[@class='even'] | //tr[@class='odd']"):

item = TencentItem()

# 职位名称

item['positionname'] = each.xpath("./td[1]/a/text()").extract()[0]

# 详情连接

item['positionlink'] = each.xpath("./td[1]/a/@href").extract()[0]

# 职位类别

item['positionType'] = each.xpath("./td[2]/text()").extract()[0]

# 招聘人数

item['peopleNum'] = each.xpath("./td[3]/text()").extract()[0]

# 工作地点

item['workLocation'] = each.xpath("./td[4]/text()").extract()[0]

# 发布时间

item['publishTime'] = each.xpath("./td[5]/text()").extract()[0]

yield item

总结

以上所述是小编给大家介绍的Python爬虫框架Scrapy实例代码，希望对大家有所帮助，如果大家有任何疑问欢迎给我留言，小编会及时回复大家的！