专栏首页Python绿色通道高级爬虫(三):使用Scrapy爬取拉勾网数据并写入数据库

高级爬虫(三):使用Scrapy爬取拉勾网数据并写入数据库

最近更新文章比较克制,因为做公众号有自己的价值观「每次更新尽量给读者提供价值而不是消费读者」公众号立足于原创,内容尽量做到系统化,结构化,立体化,旨在让读者能直接能过我的教程来循序渐进的去提升自己。

之前我们讲到了使用Scrapy,今天我们使用Scrapy来作一个项目实战。Scrapy详细教程可以看前面两篇:

高级爬虫(一):Scrapy爬虫框架的安装 高级爬虫( 二):Scrapy爬虫框架初探

今天我们是用Scrapy来爬取拉勾网的Python招聘信息。 这个项目刚刚在我的知识星球与球友们已经做过了!这里拿出来总结一下。

1.打开拉勾网,这里获取数据的方式有两种

  • 方式一:在首页通过输入Python可以从搜索结果中得到Python招聘信息,然后可以查看到这种获取数据的方式是发起Post请求。

直接搜索Python职位:

https://www.lagou.com/jobs/list_Python?labelWords=&fromSearch=true&suginput=

爬取拉钩数据的办法有人使用了post发送数据请求,结果总是提示操作太频繁,我没有采用这种方式.

  • 方式二:而我们直接在首页选择技术,找到Python模块,打开网页,我们可以看到发起的是Get请求,进一步我们可以发现这里是发我们发现这个数据与我们扫索到的Python得到的数据是一样的。

直接选Python模块,发现数据是有规律的: https://www.lagou.com/zhaopin/Python/2/?filterOption=3 https://www.lagou.com/zhaopin/Python/3/?filterOption=3

1.1两种方式比较:

方式一直接通过发起Post请求,然后得到json数据,然后解析数据。但这种方式比较容易被封ip,总是提示操作太频繁,从而爬取不到正确的数据。可以登录设置Cookie,然后能访问到一些数据,但不是很全,我最终没有使用这种方式,也许有其它的朋友有解决办法,也希望能与我探讨一下。

方式二是发起Get请求,然后用xpath解析字段来获取数据,这种办法比较笨,但至少我们能把数据完整的采集出来,而我今天也是说的这种方式。

2. 思路分析

  • 创建Scrapy项目:在命令行中输入 scrapy startproject lagouSpider 「前提是你已经安装好了Scrapy环境」,创建项目完毕后可以进行下一步。
  • 开始爬取数据: 在刚才创建的lagouSpider文件夹中的spiders文件夹中创建爬取数据的文件,这里是入口。
class lagou_crawl(scrapy.Spider):
    name = "lagou" # 这个命名是待会我们启动爬虫的名字,是唯一的!
    allowed_domains = ['lagou.com'] #这个是我们爬取的站点,
    start_urls = [
        'https://www.lagou.com/zhaopin/Python/{}/?filterOption=3'.format(i) for i in range(1, 31)
    ] # 这里是我们开始爬取的网站

    def parse(self, response):
  • 定义爬取的字段:在刚才创建的lagouSpider文件夹中的items文件中存储自己爬取的字段。 ```Python class LagouspiderItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() job_title = scrapy.Field() job_address = scrapy.Field() job_money = scrapy.Field() job_company = scrapy.Field() job_fintance = scrapy.Field() pass ```
  • 把爬取的字段存入到数据库:在刚才创建的lagouSpider文件夹中的pipelines文件中写入数据到数据中。 这里需要注意把settings文件中的 ITEM_PIPELINES 注释去掉。
class LagouspiderPipeline(object):
    def __init__(self):
        self.db = DBTool()

    def process_item(self, item, spider):
        job_title = item['job_title']
        job_address = item['job_address']
        job_money = item['job_money']
        job_company = item['job_company']
        job_fintance = item['job_fintance']

        sql = "insert into lagou_data(`title`,`address`,`money`,`company`,`fintance`) values('{}','{}','{}','{}','{}')".format(job_title,job_address,job_money,job_company,job_fintance)

        print('--------------------{}'.format(sql)) # 这里一定要打印sql来看看sql是否正确,
        self.db.inset_data(sql)
        return item
  • 设置好配置文件:
# Mysql数据库的配置信息
MYSQL_HOST = '192.168.1.250'
MYSQL_DBNAME = 'crawler_data'  # 数据库名字,请修改
MYSQL_USER = 'root'  # 数据库账号,请修改
MYSQL_PASSWD = '123456'  # 数据库密码,请修改
MYSQL_PORT = 3306  # 数据库端口,在dbhelper中使用

以上几步弄好后,我们开始运行我们的项目了

3.运行项目

在我们刚才创建的项目文件夹运行我们的项目。 打比方我们的项目路径是: G:\scrapy_project\lagouSpider 那么我们应该在这个lagouSpider文件夹下运行命令行 scrapy crawl lagou 这个lagou是我们刚才创建爬虫入口文件的name。

如果运行顺利的话,可以得到数据。效果图如下。

最后

项目源码地址:https://github.com/pythonchannel/lagouSpider

好了数据是爬出来了,但发现爬取的时候,获取数据比较慢,这是因为拉勾反爬机制是比较厉害的,我故意把settings文件中 DOWNLOAD_DELAY 时间改长了,如果时间比较短很容易被反爬虫数据获取得就不够完整,如何更快爬取数据,这是我要做的下一个课题!貌似加上cookie池与挂上代理ip,可以完美解决这个问题!

小技巧

  1. 可以在Pycharm中右边发现database 然后可以添加Mysql ,这是我的星球中球友发现的!
  2. 安装Scrapy,安装scrapy挺麻烦的,需要各种依赖包,我直接在Pycharm中来安装scrapy一键搞定:

  1. 我们在安装Scrapy的时候总是遇到各种各样的麻烦,我今天又遇到麻烦了。
  2. 突发奇想我能不能在Pycharm上来安装,结果安装成功了,因为Pycharm安装的时候会自动加上安装Scrapy的依赖包.
  3. 安装成功后,我们把Pycharm的setting中Scrapy安装路径放到我们的环境变量中,然后直接cmd运行,完美解决问题!

本文分享自微信公众号 - Python绿色通道(Future_coder),作者:点击蓝字👆👆

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-05-26

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 爬虫篇 | 高级爬虫(三):使用Scrapy爬取拉勾网数据并写入数据库

    之前我们讲到了使用Scrapy,今天我们使用Scrapy来作一个项目实战。Scrapy详细教程可以看前面两篇:

    叫我龙总
  • python面试被问到这个问题,答对了感觉中了1个亿

    爬了N个网站,仍然很困惑:随便想要点资料requests一爬就能抓下来,觉得自己挺厉害的,用scrapy爬整个全站却总是失败,找工作去面试经常会被问:你抓过哪些...

    叫我龙总
  • 一起来Python项目实战,约吗?

    之前好多公众号粉丝跟我私下交流要我开一个知识星球,方便提升自己,我一直找不到好的点子来开通知识星球,所以我一直没有开。直到今天我终于开了,因为我有更好的点子来服...

    叫我龙总
  • 爬虫篇 | 高级爬虫(三):使用Scrapy爬取拉勾网数据并写入数据库

    之前我们讲到了使用Scrapy,今天我们使用Scrapy来作一个项目实战。Scrapy详细教程可以看前面两篇:

    叫我龙总
  • 程序员最痛恨的五句话

    1. ? 电脑白痴: 能不能帮我修下电脑,开不了机了 (学计算机的对于电脑任何东西应该了如指掌,修个电脑还不是小事一桩) 程序员: 对不起妹子,你去找修电脑的...

    程序员互动联盟
  • Hack the box靶机实战:Bastion

    总的来说,Bastion 其实并不是一个特别简单的机器。如果使用 windows 可以更方便地解决这台靶机。Command VM 对于这台靶机其实挺不错的,不过...

    FB客服
  • 对不起,看完这篇HTTP,真的可以吊打面试官

    在 HTTP 中,内容协商是一种用于在同一 URL 上提供资源的不同表示形式的机制。内容协商机制是指客户端和服务器端就响应的资源内容进行交涉,然后提供给客户端最...

    黄泽杰
  • 自己动手写一个简单的MVC框架(第一版)

      路由(Route)、控制器(Controller)、行为(Action)、模型(Model)、视图(View)

    Edison Zhou
  • kubernetes创建pod服务一直处于 ContainerCreating

    kubectl describe pods xxx 提示错误Error syncing pod, skipping: failed to "StartConta...

    似水的流年
  • 百度小程序自定义组件component

    "searchs": "/components/searchInput/searchInput",

    用户3055976

扫码关注云+社区

领取腾讯云代金券