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
- 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！
- 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：
- 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。
- 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.
- 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!