python多进程爬虫保存数据_如果你不会Python多进程！那你会爬虫？扯淡！抓取拉钩网十万数据...

这篇文章我们来抓取 拉钩网 的招聘信息。全部抓取大概十几万条全国招聘信息，并且保存数据库。

准备

安装Mongodb数据库

其实不是一定要使用MongoDB，大家完全可以使用MySQL或者Redis，全看大家喜好。这篇文章我们的例子是Mongodb，所以大家需要 下载 它。

最后我们需要打开管理员权限的 CMD 窗口，执行如下命令，安装数据库成服务：

"C:\mongodb\bin\mongod.exe" --config "C:\mongodb\mongod.cfg" --install

设置为服务后，需要在管理员权限打开的windows cmd窗口用服务的方式启动或停止MongoDB。

我们先获取首页HTML文件:

import requests

from bs4 import BeautifulSoup

from requests.exceptions import RequestException

url = 'https://www.lagou.com/'

# 获取页面源码函数

def get_page_resp(url):

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}

try:

resp = requests.get(url, headers=headers)

if resp.status_code == 200:

return resp.text

return None

except RequestException:

return None

soup = BeautifulSoup(get_page_resp(url), 'lxml')

然后我们打开开发者工具，找到招聘职业的位置。

分页

我们首先来分析下网站页数信息。经过我的观察，每个职位的招聘信息最多不超过 30 页。也就是说，我们只要从第 1 页循环到第 30 页，就可以得到所有招聘信息了。但是也可以看到有的职位招聘信息，页数并不到 30 页。以下图为例：

如果我们访问页面：https://www.lagou.com/zhaopin/Java/31/

也就是第 31 页。我们会得到 404 页面。所以我们需要在访问到404页面时进行过滤。

if resp.status_code == 404:

pass

这样我们就可以放心的 30 页循环获得每一页招聘信息了。

我们的每一页url使用format拼接出来：

link = '{}{}/'.format(url, str(pages))

获取信息

获取到全部信息后，我们同样的把他们组成键值对字典。

for position,add,publish,money,need,company,tag,fuli in \

zip(positions,adds,publishs,moneys,needs,companys,tags,fulis):

data = {

'position' : position.get_text(),

'add' : add.get_text(),

'publish' : publish.get_text(),

'money' : money.get_text(),

'need' : need.get_text().split('\n')[2],

'company' : company.get_text(),

'tag' : tag.get_text().replace('\n','-'),

'fuli' : fuli.get_text()

}

组成字典的目的是方便我们将全部信息保存到数据库。

保存数据库

保存数据库前我们需要配置数据库信息：

import pymongo

client = pymongo.MongoClient('localhost', 27017)

lagou = client['lagou']

url_list = lagou['url_list']

这里是一个pool进程池，我们调用进程池的map方法.

map(func, iterable[,chunksize=None])

多进程Pool类中的map方法，与Python内置的map函数用法行为基本一致。它会使进程阻塞，直到返回结果。需要注意，虽然第二个参数是一个迭代器，但在实际使用中，必须在整个队列都就绪后，程序才会运行子进程。join()

方法等待子进程结束后再继续往下运行，通常用于进程间的同步.

针对反爬

如果大家就这样整理完代码，直接就开始抓取的话。相信在抓取的不久后就会出现程序中止不走了。我刚刚第一次中止后，我以为是网站限制了我的 ip。于是我做了如下改动。

如果博主后面把全部数据抓下来后，可以和大家一起进行数据分析，分析Python招聘的一些信息啊什么的。大家加油。

进群：125240963   即可获取源码！