python-scrapy爬取某招聘网站信息(一)

首先准备python3+scrapy+mysql+pycharm。。。

这次我们选择爬取智联招聘网站的企业招聘信息，首先我们有针对的查看网站的html源码，发现其使用的是js异步加载的方式，直接从服务端调取json数据，这就意味着我们用地址栏的网址获取的网站内容是不全的，无法获得想要的数据。

那么我们用什么方式获取想要的数据呢，正所谓道高一尺魔高一丈，有反爬虫就有范反爬虫，当然我们不用那么麻烦，通过分析页面的加载有针对性的抓包获取信息进行分析，我们会发现每次刷新或者搜索页面时候，除了会加载许多图片、广告等信息外，还加载了一个包，这个包里就有我们想要的所有信息，并且服务端都给我们打包成json格式了，这样看似复杂，实则简化了我们对数据进行过滤的步骤。

直接从头文件中找到请求的url源头，那么就能直接获取json数据了。 怎么样是不是感受到了世界的友好呢？

分析完毕，接下来就可以编写爬虫数据了。。。

一、创建爬虫项目

在命令行中在指定的目录创建爬虫项目

scrapy startproject zhilian

然后就是创建爬虫文件

scrapy genspider zhaopin "sou.zhaopin.com"　　
#要把http://www去掉因为爬虫项目运行时会自动加上，这里也是为了避免不必要的错误

二、编写程序

首先编写item文件，我们有选择的爬取几个关键数据

import scrapy

class ZhilianItem(scrapy.Item):
    # 岗位名称
    jobName = scrapy.Field()
    # 公司名称
    companyName = scrapy.Field()
    # 工作地点
    workSite = scrapy.Field()
    # 更新日期
    updateDate = scrapy.Field()
    # 薪资水平
    salaryLevel = scrapy.Field()
    # 岗位关键词
    jobKeyWord = scrapy.Field()

然后就是编写爬虫文件了我们的命名为zhaopin.py

# -*- coding: utf-8 -*-
import json

import scrapy
from zhilian.items import ZhilianItem


class zhaopinSpider(scrapy.Spider):
    name = 'javaDevelop'
    allowed_domains = ['sou.zhaopin.com']
    offset = 0
    url1 = "https://fe-api.zhaopin.com/c/i/sou?start="
    url2 = "&pageSize=90&cityId=530&workExperience=-1&education=-1&companyType=-1&employmentType=-1&jobWelfareTag=-1&kw=%E7%BB%8F%E6%B5%8E&kt=3"
    start_urls = (
        url1 + str(offset) + url2,　　#此为我们简化后的网址，网址的规律相当简单，简单试试就找到规律了
    )

    print(start_urls)
    def parse(self, response):for flag in range(0, 90):
            item = ZhilianItem()
            job = json.loads(response.text)['data']['results'][flag]

            # 岗位名称
            item['jobName'] = job['jobName']
            # 公司名称
            item['companyName'] = job['company']['name']
            # 工作地点
            item['workSite'] = job['city']['display']
            # 更新日期
            item['updateDate'] = job['updateDate']
            # 薪资水平
            item['salaryLevel'] = job['salary']
            # 岗位关键词
            item['jobKeyWord'] = job['welfare']
            yield item

        if self.offset < 450:
            self.offset += 90
            yield scrapy.Request(self.url1 + str(self.offset) + self.url2, callback=self.parse, dont_filter=True)
　　　　　　　#dont_filter=True这个参数相当重要，指不过滤url直接爬取。否则你会发现你的爬虫爬取完第一页后就不会再爬取了，这样是因为url与爬取域url不符，爬虫自动认为爬取结束

接下来就是写管道文件了，这里我用了两种方式，一种是写到数据库中，还有一种是写道本地txt文件中

import pymysql


class zhaoPipeline(object):
    def __init__(self):
        self.conn = pymysql.connect(host='172.18.96.151', user='root',
                                    password='123456', db='zhilian', charset='utf8'
                                    )
        self.cur = self.conn.cursor()

    def process_item(self, item, spider):
        # 岗位名称
        jobName = item['jobName']
        # 公司名称
        companyName = item['companyName']
        # 工作地点
        workSite = item['workSite']
        # 官网链接
        updateDate = item['updateDate']
        # 薪资水平
        salaryLevel = item['salaryLevel']
        # 岗位关键词
        jobKeyWord = item['jobKeyWord']
        data = [jobName, companyName, workSite, updateDate, salaryLevel, ','.join(jobKeyWord)]
        print(data)
        print("======================================")
        sql = """
        insert into zhaopin (jobname,companyname,worksite,updatedate,salarylevel,jobkeyword) values 
        (%s,%s,%s,%s,%s,%s)
        """
        # self.conn.ping(reconnect=True)
        self.cur.execute(sql, data)
        self.conn.commit()

    def close_spider(self, spider):
        self.cur.close()
        self.conn.close()


class ZhilianPipeline(object):
    def __init__(self):
        self.filename = open("java.txt", 'wb')
        # self.path = "G:imagesp"
        # if not os.path.exists(self.path):
        #     os.mkdir(self.path)

    def process_item(self, item, spider):
        # 岗位名称
        jobName = item['jobName']
        # 公司名称
        companyName = item['companyName']
        # 工作地点
        workSite = item['workSite']
        # 官网链接
        updateDate = item['updateDate']
        # 薪资水平
        salaryLevel = item['salaryLevel']
        # 岗位关键词
        jobKeyWord = item['jobKeyWord']

        self.filename.write(jobName.encode('utf-8') + '    '.encode('utf-8')
                            + companyName.encode('utf-8') + '   '.encode('utf-8')
                            + workSite.encode('utf-8') + '    '.encode('utf-8')
                            + updateDate.encode('utf-8') + '    '.encode('utf-8')
                            + salaryLevel.encode('utf-8') + '    '.encode('utf-8')
                            + ','.join(jobKeyWord).encode('utf-8') + '
'.encode('utf-8'))
        return item

    def close_spider(self, spider):
        self.filename.close()

手把手教学，我们附上建立库语句

create table zhaopin
(id int(10) not null primary key AUTO_INCREMENT,
  jobname varchar(40),
    companyname varchar(20),
    worksite varchar(10),
    updatedate datetime,
    salarylevel varchar(10),
    jobkeyword varchar(40)
    );

然后就剩下最后的设置setting了，下面三个关键的地方要改

ROBOTSTXT_OBEY = False

DEFAULT_REQUEST_HEADERS = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.87 Safari/537.36',
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
}

ITEM_PIPELINES = {
   'zhilian.pipelines.ZhilianPipeline': 300,
   'zhilian.pipelines.zhaoPipeline': 200,
}

三、运行爬虫

scrapy crawl zhaopin

等待片刻，刷新数据表

 OVER。。。