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!

原文发布于微信公众号 - Python绿色通道(Future_coder)

原文发表时间: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。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏张善友的专栏

MongoDB核心贡献者:不是MongoDB不行,而是你不懂!

近期MongoDB在Hack News上是频繁中枪。许多人更是声称恨上了MongoDB,David mytton就在他的博客中揭露了MongoDB许多现存问题。...

24610
来自专栏blackpiglet

Linux 屏幕取词解决方法:Chrome 插件

  我的工作用电脑的桌面环境是 Ubuntu 17.10,作为一个 Linux 用户,一直困扰我的一个问题是没有找到一个比较理想的可以取词划词的英语词典,之前我...

1923
来自专栏极客猴

盘点一些网站的反爬虫机制

因为 Python 语法简介以及强大的第三方库,所以我们使用它来制作网络爬虫程序。网络爬虫的用途是进行数据采集,也就是将互联网中的数据采集过来。

2.5K3
来自专栏Samego开发资源

让子弹飞~利用OPcache扩展提升PHP7性能 | laravel篇

What is OPcache OPcache是PHP中的Zend扩展,可以大大提升PHP的性能。 OPcache 通过将 PHP 脚本预编译的字节码存储到...

3042
来自专栏北京马哥教育

爬虫实战一:爬取当当网所有 Python 书籍

我们已经学习 urllib、re、BeautifulSoup 这三个库的用法。但只是停留在理论层面上,还需实践来检验学习成果。因此,本文主要讲解如何利用我们刚...

4748
来自专栏散尽浮华

分布式监控系统Zabbix-3.0.3-完整安装记录-新报微信报警(企业微信)

一般来说,Zabbix可以通过多种方式把告警信息发送到指定人,常用的有邮件,短信报警方式,但是现在越来越多的企业开始使用zabbix结合微信作为主要的告警方式,...

27110
来自专栏游戏杂谈

使用hta操作nginx停止、重启

新上线的webgame需要做一个官网,做好了并上线了(切割、程序、后台,后台使用是java版本的jeecms),但仅仅是自己家的官网做好了,现在上面的想法是需要...

1811
来自专栏杨建荣的学习笔记

了解一下CPU 第一篇(r4笔记第30天)

CPU可能对于我们来说是熟悉又陌生的,每天的工作基本都离不开CPU,CPU的消耗是系统负载的一个重要指标,每天都会不定时的来看看CPU的使用情况,但是对于它了解...

3484
来自专栏极客猴

Python 爬虫入门

想从零基础开始学习 Python,可以把爬虫可以作为切入点。利用爬虫将基础知识学起来。毕竟兴趣是最好的学习老师。我当初觉得爬取网站数据挺有趣,所以才靠开始学习 ...

2062
来自专栏圣杰的专栏

使用Bitbucket Pipeline进行.Net Core项目的自动构建、测试和部署

1. 引言 首先,Bitbucket提供支持Mercurial和Git版本控制系统的网络托管服务。简单来说,它类似于GitHub,不同之处在于它支持个人免费创建...

3099

扫码关注云+社区

领取腾讯云代金券