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：
进群：125240963 即可获取数十套PDF哦！
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
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?
同一项目中有多个爬虫
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：
callback：表示当前请求的url响应交给哪个函数处理
meta：实现不同解析函数之间传递数据
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?
能明确爬取内容，需要爬取的字段清晰明了。
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。
网友评论