爬虫框架Scrapy实战之批量抓取招聘信息

最新推荐文章于 2024-04-30 13:46:50 发布

游侠509

最新推荐文章于 2024-04-30 13:46:50 发布

阅读量1.7k

点赞数

分类专栏：爬虫 python

python 同时被 2 个专栏收录

22 篇文章 0 订阅

订阅专栏

爬虫

5 篇文章 0 订阅

订阅专栏

原文地址：http://www.pythontab.com/html/2015/pythonweb_0410/943.html

所谓网络爬虫，就是一个在网上到处或定向抓取数据的程序，当然，这种说法不够专业，更专业的描述就是，抓取特定网站网页的HTML数据。不过由于一个网站的网页很多，而我们又不可能事先知道所有网页的URL地址，所以，如何保证我们抓取到了网站的所有HTML页面就是一个有待考究的问题了。一般的方法是，定义一个入口页面，然后一般一个页面会有其他页面的URL，于是从当前页面获取到这些URL加入到爬虫的抓取队列中，然后进入到新页面后再递归的进行上述的操作，其实说来就跟深度遍历或广度遍历一样。

Scrapy是一个基于Twisted，纯Python实现的爬虫框架，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便～

Scrapy 使用 Twisted这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。整体架构如下图所示：

绿线是数据流向，首先从初始URL 开始，Scheduler 会将其交给 Downloader 进行下载，下载之后会交给 Spider 进行分析，Spider分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回 Scheduler ；另一种是需要保存的数据，它们则被送到Item Pipeline 那里，那是对数据进行后期处理（详细分析、过滤、存储等）的地方。另外，在数据流动的通道里还可以安装各种中间件，进行必要的处理。

我假定你已经安装了Scrapy。假如你没有安装,你可以参考这篇文章。

在本文中，我们将学会如何使用Scrapy建立一个爬虫程序，并爬取指定网站上的内容

1. 创建一个新的Scrapy Project

2. 定义你需要从网页中提取的元素Item

3.实现一个Spider类，通过接口完成爬取URL和提取Item的功能

4. 实现一个Item PipeLine类，完成Item的存储功能

我将会用腾讯招聘官网作为例子。

Github源码：https://github.com/maxliaops/scrapy-itzhaopin

目标：抓取腾讯招聘官网职位招聘信息并保存为JSON格式。

新建工程

首先，为我们的爬虫新建一个工程，首先进入一个目录（任意一个我们用来保存代码的目录），执行：

scrapy startprojectitzhaopin

最后的itzhaopin就是项目名称。这个命令会在当前目录下创建一个新目录itzhaopin，结构如下：

├── itzhaopin

│ ├── itzhaopin

│ │ ├── __init__.py

│ │ ├── items.py

│ │ ├── pipelines.py

│ │ ├── settings.py

│ │ └── spiders

│ │ └── __init__.py

│ └── scrapy.cfg

scrapy.cfg: 项目配置文件

items.py: 需要提取的数据结构定义文件

pipelines.py:管道定义，用来对items里面提取的数据做进一步处理，如保存等

settings.py: 爬虫配置文件

spiders: 放置spider的目录

定义Item

在items.py里面定义我们要抓取的数据：

 
      from  
      scrapy.item  
      import  
      Item, Field 
     
      class  
      TencentItem(Item): 
     
      name  
      =  
      Field()                 
      # 职位名称 
     
      catalog  
      =  
      Field()              
      # 职位类别 
     
      workLocation  
      =  
      Field()         
      # 工作地点 
     
      recruitNumber  
      =  
      Field()        
      # 招聘人数 
     
      detailLink  
      =  
      Field()           
      # 职位详情页链接 
     
      publishTime  
      =  
      Field()          
      # 发布时间

实现Spider

Spider是一个继承自scrapy.contrib.spiders.CrawlSpider的Python类，有三个必需的定义的成员

name: 名字，这个spider的标识

start_urls:一个url列表，spider从这些网页开始抓取

parse():一个方法，当start_urls里面的网页抓取下来之后需要调用这个方法解析网页内容，同时需要返回下一个需要抓取的网页，或者返回items列表

所以在spiders目录下新建一个spider，tencent_spider.py:

 
      import  
      re 
     
 
      import  
      json 
     
 
      from  
      scrapy.selector  
      import  
      Selector 
     
 
      try 
      : 
     
 
           
      from  
      scrapy.spider  
      import  
      Spider 
     
 
      except 
      : 
     
 
           
      from  
      scrapy.spider  
      import  
      BaseSpider as Spider 
     
 
      from  
      scrapy.utils.response  
      import  
      get_base_url 
     
 
      from  
      scrapy.utils.url  
      import  
      urljoin_rfc 
     
 
      from  
      scrapy.contrib.spiders  
      import  
      CrawlSpider, Rule 
     
 
      from  
      scrapy.contrib.linkextractors.sgml  
      import  
      SgmlLinkExtractor as sle 
     
 
      from  
      itzhaopin.items  
      import  
      * 
     
 
      from  
      itzhaopin.misc.log  
      import  
      * 
     
 
      class  
      TencentSpider(CrawlSpider): 
     
 
           
      name  
      =  
      "tencent" 
     
 
           
      allowed_domains  
      =  
      [ 
      "tencent.com" 
      ] 
     
 
           
      start_urls  
      =  
      [ 
     
 
               
      "http://hr.tencent.com/position.php" 
     
 
           
      ] 
     
 
           
      rules  
      =  
      [  
      # 定义爬取URL的规则 
     
 
               
      Rule(sle(allow 
      = 
      ( 
      "/position.php\?&start=\d{,4}#a" 
      )), follow 
      = 
      True 
      , callback 
      = 
      'parse_item' 
      ) 
     
 
           
      ] 
     
 
           
      def  
      parse_item( 
      self 
      , response):  
      # 提取数据到Items里面，主要用到XPath和CSS选择器提取网页数据 
     
 
               
      items  
      =  
      [] 
     
 
               
      sel  
      =  
      Selector(response) 
     
 
               
      base_url  
      =  
      get_base_url(response) 
     
 
               
      sites_even  
      =  
      sel.css( 
      'table.tablelist tr.even' 
      ) 
     
 
               
      for  
      site  
      in  
      sites_even: 
     
 
                   
      item  
      =  
      TencentItem() 
     
 
                   
      item[ 
      'name' 
      ]  
      =  
      site.css( 
      '.l.square a' 
      ).xpath( 
      'text()' 
      ).extract() 
     
 
                   
      relative_url  
      =  
      site.css( 
      '.l.square a' 
      ).xpath( 
      '@href' 
      ).extract()[ 
      0 
      ] 
     
 
                   
      item[ 
      'detailLink' 
      ]  
      =  
      urljoin_rfc(base_url, relative_url) 
     
 
                   
      item[ 
      'catalog' 
      ]  
      =  
      site.css( 
      'tr > td:nth-child(2)::text' 
      ).extract() 
     
 
                   
      item[ 
      'workLocation' 
      ]  
      =  
      site.css( 
      'tr > td:nth-child(4)::text' 
      ).extract() 
     
 
                   
      item[ 
      'recruitNumber' 
      ]  
      =  
      site.css( 
      'tr > td:nth-child(3)::text' 
      ).extract() 
     
 
                   
      item[ 
      'publishTime' 
      ]  
      =  
      site.css( 
      'tr > td:nth-child(5)::text' 
      ).extract() 
     
 
                   
      items.append(item) 
     
 
                   
      #print repr(item).decode("unicode-escape") + '\n' 
     
 
               
      sites_odd  
      =  
      sel.css( 
      'table.tablelist tr.odd' 
      ) 
     
 
               
      for  
      site  
      in  
      sites_odd: 
     
 
                   
      item  
      =  
      TencentItem() 
     
 
                   
      item[ 
      'name' 
      ]  
      =  
      site.css( 
      '.l.square a' 
      ).xpath( 
      'text()' 
      ).extract() 
     
 
                   
      relative_url  
      =  
      site.css( 
      '.l.square a' 
      ).xpath( 
      '@href' 
      ).extract()[ 
      0 
      ] 
     
 
                   
      item[ 
      'detailLink' 
      ]  
      =  
      urljoin_rfc(base_url, relative_url) 
     
 
                   
      item[ 
      'catalog' 
      ]  
      =  
      site.css( 
      'tr > td:nth-child(2)::text' 
      ).extract() 
     
 
                   
      item[ 
      'workLocation' 
      ]  
      =  
      site.css( 
      'tr > td:nth-child(4)::text' 
      ).extract() 
     
 
                   
      item[ 
      'recruitNumber' 
      ]  
      =  
      site.css( 
      'tr > td:nth-child(3)::text' 
      ).extract() 
     
 
                   
      item[ 
      'publishTime' 
      ]  
      =  
      site.css( 
      'tr > td:nth-child(5)::text' 
      ).extract() 
     
 
                   
      items.append(item) 
     
 
                   
      #print repr(item).decode("unicode-escape") + '\n' 
     
 
               
      info( 
      'parsed '  
      +  
      str 
      (response)) 
     
 
               
      return  
      items 
     
 
           
      def  
      _process_request( 
      self 
      , request): 
     
 
               
      info( 
      'process '  
      +  
      str 
      (request)) 
     
 
               
      return  
      request 
     

实现PipeLine

PipeLine用来对Spider返回的Item列表进行保存操作，可以写入到文件、或者数据库等。

PipeLine只有一个需要实现的方法：process_item，例如我们将Item保存到JSON格式文件中：

pipelines.py

 
      from  
      scrapy  
      import  
      signals 
     
 
      import  
      json 
     
 
      import  
      codecs 
     
 
      class  
      JsonWithEncodingTencentPipeline( 
      object 
      ): 
     
 
           
      def  
      __init__( 
      self 
      ): 
     
 
               
      self 
      . 
      file  
      =  
      codecs. 
      open 
      ( 
      'tencent.json' 
      ,  
      'w' 
      , encoding 
      = 
      'utf-8' 
      ) 
     
 
           
      def  
      process_item( 
      self 
      , item, spider): 
     
 
               
      line  
      =  
      json.dumps( 
      dict 
      (item), ensure_ascii 
      = 
      False 
      )  
      +  
      "\n" 
     
 
               
      self 
      . 
      file 
      .write(line) 
     
 
               
      return  
      item 
     
 
           
      def  
      spider_closed( 
      self 
      , spider): 
     
 
               
      self 
      . 
      file 
      .close( 
     
 
      ) 
     

到现在，我们就完成了一个基本的爬虫的实现，可以输入下面的命令来启动这个Spider:

scrapy crawl tencent

爬虫运行结束后，在当前目录下将会生成一个名为tencent.json的文件，其中以JSON格式保存了职位招聘信息。

部分内容如下：

{"recruitNumber": ["1"], "name": ["SD5-资深手游策划（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15626&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["产品/项目类"], "workLocation": ["深圳"]}

{"recruitNumber": ["1"], "name": ["TEG13-后台开发工程师（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15666&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["深圳"]}

{"recruitNumber": ["2"], "name": ["TEG12-数据中心高级经理（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15698&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["深圳"]}

{"recruitNumber": ["1"], "name": ["GY1-微信支付品牌策划经理（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15710&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["市场类"], "workLocation": ["深圳"]}

{"recruitNumber": ["2"], "name": ["SNG06-后台开发工程师（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15499&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["深圳"]}

{"recruitNumber": ["2"], "name": ["OMG01-腾讯时尚视频策划编辑(北京)"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15694&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["内容编辑类"], "workLocation": ["北京"]}

{"recruitNumber": ["1"], "name": ["HY08-QT客户端Windows开发工程师(深圳)"], "detailLink": "http://hr.tencent.com/position_detail.php?id=11378&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["深圳"]}

{"recruitNumber": ["5"], "name": ["HY1-移动游戏测试经理（上海）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15607&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["上海"]}

{"recruitNumber": ["1"], "name": ["HY6-网吧平台高级产品经理（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=10974&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["产品/项目类"], "workLocation": ["深圳"]}

{"recruitNumber": ["4"], "name": ["TEG14-云存储研发工程师（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15168&keywords=&tid=0&lid=0", "publishTime": ["2014-04-24"], "catalog": ["技术类"], "workLocation": ["深圳"]}

{"recruitNumber": ["1"], "name": ["CB-薪酬经理（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=2309&keywords=&tid=0&lid=0", "publishTime": ["2013-11-28"], "catalog": ["职能类"], "workLocation": ["深圳"]}