爬虫 | Scrapy实战腾讯招聘

前言

这个文章的技术含量并不高,旨在练习scrapy框架的基本用法,熟悉框架下各个文件的作用。 先上一波爬取结果:

日志部分截图

数据库部分截图

实战

引入类库

import scrapy
from urllib import parse
from pymongo import MongoClient

scrapy框架安装可以参考前文:Python | Python学习之初识Scrapy

创建项目

#有虚拟环境的可以先切换到对应的虚拟环境下
#创建scrapy项目
scrapy startproject hrspider 
#创建scrapy爬虫
scrapy genspider  hr https://hr.tencent.com/position.php

分析页面,编写代码

分析请求页面 根据上面的分析我们可以很方便的得到下面的代码:

class HrspiderSpider(scrapy.Spider):
    name = 'hrspider'
    allowed_domains = ['tencent.com']
    start_urls = ['https://hr.tencent.com/position.php']
    def parse(self, response):
        pass

查看页面上我们需要提取的元素,编写对应的xpath路径便于提取数据。代码如下:

 def parse(self, response):
        tr_list = response.xpath("//table[@class='tablelist']/tr")[1:-1]
        for tr in tr_list:
            item = TencenthrItem()
            item["title"] = tr.xpath("./td[1]/a/text()").extract_first()
            item["position"] = tr.xpath("./td[2]/text()").extract_first()
            item["num"] = tr.xpath("./td[3]/text()").extract_first()
            item["location"] = tr.xpath("./td[4]/text()").extract_first()
            item["publish_date"] = tr.xpath("./td[5]/text()").extract_first()
            url = tr.xpath("./td[1]/a/@href").extract_first()
            item["detail_url"] = parse.urljoin(response.url, url)
            print(item)

成功提取单个页面的元素之后,我们需要不断获取下一页的地址,以便于获取全部的数据,页面分析如下:

翻页分析 根据上图的分析逻辑,我们可以得到完善parse方法的代码:

    def parse(self, response):
        tr_list = response.xpath("//table[@class='tablelist']/tr")[1:-1]
        for tr in tr_list:
            item = TencenthrItem()
            item["title"] = tr.xpath("./td[1]/a/text()").extract_first()
            item["position"] = tr.xpath("./td[2]/text()").extract_first()
            item["num"] = tr.xpath("./td[3]/text()").extract_first()
            item["location"] = tr.xpath("./td[4]/text()").extract_first()
            item["publish_date"] = tr.xpath("./td[5]/text()").extract_first()
            url = tr.xpath("./td[1]/a/@href").extract_first()
            item["detail_url"] = parse.urljoin(response.url, url)
            print(item)
            yield scrapy.Request(
                item["detail_url"],
                callback=self.parse_detail,
                meta={"item": item}
            )
        next_url = response.xpath("//a[@id='next']/@href").extract_first()
        if next_url != "javascript:;":
            next_url = "http://hr.tencent.com/" +next_url
            print(next_url)
            yield scrapy.Request(
                next_url,
                callback=self.parse
            )

接下来获取详情页的岗位职责和要求,同样我们分析详情页面,如下:

详情页分析 我们可以很直接就能找到我们需要的信息,只需要编写对应的xpath,所以获取详情页的代码如下:

    # 处理详情页
    def parse_detail(self,response):
        item = response.meta["item"]
        job_intrs = response.xpath("//table[@class='tablelist textl']/tr[3]/td/ul/li/text()").extract()
        if job_intrs:
            item["job_intr"] = ",".join(job_intrs)
        else:
            item["job_intr"] ="无"
        job_resps = response.xpath("//table[@class='tablelist textl']/tr[4]/td/ul/li/text()").extract()
        if job_resps:
            item["job_resp"] = ",".join(job_resps)
        else:
            item["job_resp"] = "无"
        print(item)
        yield item

到这里,我们就已经基本完成了这个网站的爬取,同时为了完成对数据的存储,我们需要在pipline.py中编写相关的数据库存储代码:

client = MongoClient()
collection = client["tencent"]["hr"]

class TencenthrPipeline(object):
    def process_item(self, item, spider):
        if isinstance(item, TencenthrItem):
            print(item)
            collection.insert(dict(item))
        return item

总结

什么时候需要构建多个piplines?

  1. 同一项目中有多个爬虫
  2. 数据需要进行不同的处理

在scrapy项目中如何构造请求?

使用scrapy.Request()方法,其中常用参数有三个:

  1. callback:表示当前请求的url响应交给哪个函数处理
  2. meta:实现不同解析函数之间传递数据
  3. dont_filter:scrapy默认会过滤url地址即请求过的地址不会再请求,对于url响应会变的请求,可以使用该参数反复抓取该地址。

为什么要定义item?

  1. 能明确爬取内容,需要爬取的字段清晰明了。
  2. 避免出现变量名写错的低级错误

如何使用scrapy shell?

#切换到项目目录下
scrapy shell [url地址]
#默认进入python交互环境,安装Ipython的情况下默认进入Ipython
#可以在命令行环境下测试xpath的有效性
response.xpath('xxxxxx')

如何在pycharm中调试运行scrapy项目?

在项目下新建main.py文件,在文件中输入以下代码,即可

from scrapy.cmdline import execute
import sys
import os
sys.path.append(os.path.dirname(os.path.abspath(__file__)))
execute(['scrapy', 'crawl', 'hrspider'])

注意:这段代码的含义和我们在cmd窗口下输入的结果是相同的,我们这里不过使用的是scrapy.cmdline中的execute将我们要输入带cmd中的命令在这里拼接到一起而已。

本文分享自微信公众号 - 咸鱼学Python(xianyuxuepython)

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:2018-07-27

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

扫码关注云+社区

领取腾讯云代金券