前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >爬虫0601:scrapy实战scrapy实战:智联招聘数据采集

爬虫0601:scrapy实战scrapy实战:智联招聘数据采集

作者头像
大牧莫邪
发布2018-08-27 17:06:17
6050
发布2018-08-27 17:06:17
举报
文章被收录于专栏:我和PYTHON有个约会

scrapy实战:智联招聘数据采集

章节内容

通过scrapy项目开发,完成智联招聘工作岗位信息的数据采集工作

课程内容

1. 创建智联招聘数据采集爬虫

在你的项目目录中,执行如下命令,创建爬虫项目

代码语言:javascript
复制
scrapy startproject zhilianspider
2. 创建采集数据的Item封装类型及数据库表

采集的数据要被封装起来进行使用,找到并修改zhilianspider/zhilianspider/items.py,修改内容如下:

代码语言:javascript
复制
# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html
# 引入scrapy模块
import scrapy


class ZhilianItem(scrapy.Item):
    '''
    创建一个Item类型,用于定义爬虫采集的数据字段
    '''
    # 通过scrapy.Field()函数定义属性字段
    # 工作岗位名称
    job_name = scrapy.Field()
    # 发布公司名称
    company = scrapy.Field()
    # 岗位月薪
    salary = scrapy.Field()

在数据库中创建对应的数据表,用于进行最终的数据存储,在数据库中执行如下的sql脚本

代码语言:javascript
复制
# 创建数据库
CREATE DATABASE zhilian_spider DEFAULT CHARSET 'utf8';

USE zhilian_spider;

# 创建数据表
CREATE TABLE jobs(
    id INT AUTO_INCREMENT PRIMARY KEY,
    job_name VARCHAR(200),
    company VARCHAR(200),
    salary VARCHAR(50)
);

# 初始查询,是一张空表,无数据
SELECT * FROM jobs;
3. 开发核心爬虫程序

在爬虫目录中创建智联爬虫文件,并创建爬虫类型进行数据的采集

在zhilianspider/zhilianspider/spiders/目录下,创建zhilainspider.py文件

在zhilianspider.py文件中,创建ZhilianSpider类型,编辑内容如下:

代码语言:javascript
复制
# coding:utf-8

import scrapy
from ..items import ZhilianItem
#http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E5%8C%97%E4%BA%AC&kw=%E7%88%AC%E8%99%AB&sm=0&sg=bb28054b0714445f85382f12e09c9228&p=1

class ZhilianSpider(scrapy.Spider):
    '''
    爬虫核心程序开发
    '''
    # 定义名称,用于命令行启动执行爬虫使用
    name = "zlspider"
    # 定义限定域名,防止跨域数据采集
    allowed_domains = ["zhaopin.com"]
    # 初始采集URL地址
    start_urls = (
        "http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E5%8C%97%E4%BA%AC&kw=%E7%88%AC%E8%99%AB&sm=0&sg=bb28054b0714445f85382f12e09c9228&p=1",
    )

    def parse(self, response):
        '''
        采集处理函数,scrapy下载器采集下载的数据存放在response中
        :param response:
        :return:
        '''
        # 通过xpath筛选得到当前工作列表
        job_list = response.xpath("//div[@id='newlist_list_content_table']/table[@class='newlist'][position()>1]")

        # 循环获取每个工作信息
        for job in job_list:
            # 筛选工作名称
            job_name = job.xpath("tr[1]/td[@class='zwmc']/div/a").xpath("string(.)").extract()[0]
            # 筛选发布公司
            company = job.xpath("tr[1]/td[@class='gsmc']/a").xpath("string(.)").extract()[0]
            # 筛选薪水待遇
            salary = job.xpath("tr[1]/td[@class='zwyx']").xpath("string(.)").extract()[0]

            # 封装生成item对象,交给pipelines模块进行后续数据验证和存储
            item = ZhilianItem()
            item['job_name'] = job_name
            item['company'] = company
            item['salary'] = salary

            yield item
4. 管道存储数据到数据库

爬虫程序采集完数据之后,需要将数据存储在数据库中,我们通过管道模块进行操作

找到并修改管道文件zhilianspier/zhilianspider/pipelines.py,创建智联管道类型ZhilianPipeline,编辑内容如下:

代码语言:javascript
复制
# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
# 引入sqlalchemy模块
from sqlalchemy import create_engine
from sqlalchemy.orm import sessionmaker
# 进入pymysql模块,用于替代sqlalchemy底层的mysqldb
import pymysql
pymysql.install_as_MySQLdb()


class ZhilianPipeline(object):
    '''
    智联招聘爬虫管道模块,进行数据验证和存储
    '''
    def __init__(self):
        # 打开和数据库的连接引擎,获取连接会话对象
        engine = create_engine("mysql://root:@localhost/zhilian_spider?charset=utf8")
        Session = sessionmaker(bind=engine)
        self.session = Session()


    def process_item(self, item, spider):
        # 生成sql语句
        zl_sql = "insert into jobs(job_name, company, salary) values('%s', '%s', '%s')" % \
                 (item['job_name'], item['company'], item['salary'])
        # 执行sql语句
        self.session.execute(zl_sql)
        return item

    def close_spider(self, spider):
        # 提交数据并关闭数据库连接会话
        self.session.commit()
        self.session.close()
5. 测试运行

爬虫程序至此开发完成,在命令行中进入爬虫项目根目录,执行如下命令:

代码语言:javascript
复制
scrapy crawl zlspider

等待程序运行结束,可以在数据库中执行查询命令

代码语言:javascript
复制
select * from jobs;

可以看到已经采集到如下数据:

id

job_name

company

salary

1

数据爬虫工程师

北京昆仑亿发科技股份有限公司

10001-15000

2

Python爬虫产品设计师

北京阿博泰克北大青鸟信息技术有限公司

10001-15000

3

搜索爬虫研发工程师--c++

中国搜索信息科技股份有限公司

20001-30000

4

数据挖掘(爬虫方向)

北京热云科技有限公司

20000-30000

5

爬虫工程师(AI算法)(031287)

京东金融

面议

6

数据产品经理(爬虫)—外卖事业部#3975

北京三快在线科技有限公司

面议

7

爬虫开发工程师

东旭集团

15001-20000

8

数据抓取爬虫工程师

今日头条

15000-30000

9

高级爬虫工工程师-北京-03198

博彦科技股份有限公司

20000-30000

10

知名集团公司招聘java爬虫数据工程师

北京科锐国际人力资源股份有限公司

10001-15000

11

爬虫工程师(000658)

旷视科技face++

18000-36000

12

爬虫工程师

凡普金科企业发展(上海)有限公司

20000-40000

13

python爬虫工程师

上海仁教信息技术有限公司

20001-30000

6.思考~~

上面的程序我们成功的采集到了需要的数据,但是问题是~我们只是针对一个url地址采集的数据,一个岗位的搜索会包含很多页数据,怎么进行下一页的url地址跟踪爬取呢?

下一节,深度爬虫更加精彩,大牧期待你一起学习

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018.01.17 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • scrapy实战:智联招聘数据采集
    • 章节内容
      • 课程内容
      相关产品与服务
      数据保险箱
      数据保险箱(Cloud Data Coffer Service,CDCS)为您提供更高安全系数的企业核心数据存储服务。您可以通过自定义过期天数的方法删除数据,避免误删带来的损害,还可以将数据跨地域存储,防止一些不可抗因素导致的数据丢失。数据保险箱支持通过控制台、API 等多样化方式快速简单接入,实现海量数据的存储管理。您可以使用数据保险箱对文件数据进行上传、下载,最终实现数据的安全存储和提取。
      领券
      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档