scrapy爬取前程无忧（2）

最新推荐文章于 2021-07-23 14:40:18 发布

pandaHe_Status

最新推荐文章于 2021-07-23 14:40:18 发布

阅读量748

点赞数

分类专栏： python爬虫文章标签： python

本文链接：https://blog.csdn.net/weixin_43321726/article/details/103628714

版权

python爬虫专栏收录该内容

6 篇文章 0 订阅

订阅专栏

1.安装 pip install scrapy
报错解决：离线安装twisted pip install xxx-twisted.whl（百度搜索twisted 点击twisted pypi进去下载相应的whl
pip install pywin32(https://www.lfd.uci.edu/~gohlke/pythonlibs/，下载对应的whl文件)
2 切换到自己pycharm文件的位置
。创建项目：scrapy startproject 项目名字
。创建爬虫：scrapy genspider 爬虫名字域名
。编写爬虫
。运行爬虫 scrapy crawl 爬虫名字
。保存为csv文件 scrapy crawl job -o job.csv
#核心代码job.py

# -*- coding: utf-8 -*-
import scrapy


class JobSpider(scrapy.Spider):
    name = 'job'
    allowed_domains = ['51job.com']
    start_urls = ['https://search.51job.com/list/030000%252C200000%252C130000%252C070000%252C140000,000000,0000,00,9,99,python,2,2.html?lang=c&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare=']

    def parse(self, response):
        '''
          解析数据的response就是start_urls网址对应的数据

        :param response:网站返回的数据
        :return: 提取数据
        '''
        #print(response.text)
        selectors = response.xpath('//div[@class="el"]')
        for jk in selectors:
            #详情页网址
            url = jk.xpath('./p/span/a/@href').get()
            if url:
                #User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:71.0) Gecko/20100101 Firefox/71.0
                print(url)
                #url1 = jk.xpath('./p/span/a/text()').get()
                #url2 = url+url1
                #进入详情页 发出请求
                #yield 是一个生成器 类似return
                yield scrapy.Request(url,callback=self.parseDetail)
                #print(url)
    def parseDetail(self,response):
        '''
         这个函数 用来处理详情页的数据
        :param response: 详情页的结果
        :return: 详情页提取的数据
        '''
        xinzi = response.xpath('//div[@class="cn"]/strong/text()').get(default='')
        zhiwei = response.xpath('//div[@class="cn"]/h1/text()').get(default='')
        gongzi = response.xpath('//p[@class="cname"]/a/@title').get(default='')
       #一定字典格式
        items = {
            '薪资：':xinzi,
            '职位：':zhiwei,
            '公司：':gongzi

        }
        yield items
        #return items

setting的代码:
True改为False
这里改为：
在这里插入图片描述

DEFAULT_REQUEST_HEADERS = {
    'Accept':	'text/html,application/xhtml+xm…plication/xml;q=0.9,*/*;q=0.8',
    'Accept-Encoding':	'gzip, deflate, br',
    'Accept-Language':	'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
    'Cache-Control':	'max-age=0',
'Connection':	'keep-alive',
'Host': 	'search.51job.com',
'Upgrade-Insecure-Requests':	'1',
'User-Agent':	'Mozilla/5.0 (Windows NT 10.0; …) Gecko/20100101 Firefox/71.0'
}