|
一、開發(fā)環(huán)境 OS：Windows 7 64bit旗艦版Python：2.7.10 Scrapy：1.0.3 MySQL：5.6.21 Sublime Text2：2.0.2 二、目標(biāo) 通過在前程無憂的職位搜索中輸入職位關(guān)鍵詞獲取相應(yīng)的職位信息，現(xiàn)在我們通過Scrapy爬蟲來實現(xiàn)這個功能，自動幫我們獲取相關(guān)的職位信息，并保存成.json格式和保存到MySQL數(shù)據(jù)庫。 三、實現(xiàn)步驟 Scrapy是一個比較流行的Python爬蟲框架，Scrapy爬蟲的基本實現(xiàn)流程如下： 1.通過scrapy startproject spiderproject 來創(chuàng)建一個新的爬蟲工程，spiderproject是我們自己命名的爬蟲工程。比如本例子，我們創(chuàng)建一個工程scrapy startproject qcwy，qcwy即為我們的工程名。 2.定義我們要解析具體數(shù)據(jù)的Item結(jié)構(gòu)，在items.py文件中。 3.在pipelines.py中實現(xiàn)數(shù)據(jù)存儲的功能，可以在這里實現(xiàn)我們抓取的數(shù)據(jù)保存在.json文件中，或者MySQL中，或者SQLite中，或者MongoDB中，或者其他你要保存的格式或者數(shù)據(jù)庫中。 4.在第1步創(chuàng)建的工程文件夾下的spider文件目錄下創(chuàng)建一個新的后綴為.py的文件命名最好包含spider這個單詞，因為我們要在這個文件中實現(xiàn)核心功能Spider。 5.在setting.py中進行一些相關(guān)的設(shè)置。
下面我們以詳細(xì)實例說明如何以Scrapy實現(xiàn)我們的目的： 1.在CMD中輸入 cd c:\ 進入c盤根目錄 2.輸入scrapy startproject qcwy，我們可以看到在c盤根目錄下看到qcwy這個文件夾（本文假如你的開發(fā)環(huán)境配置沒有任何問題，具體配置請參照Scrapy文檔）。 進入qcwy文件夾后，可以看到還有一個qcwy的文件夾和一個scrapy.cfg項目配置文件，不用管它，繼續(xù)進入qcwy這個文件夾，可以看到：
3.定義我們要解析的數(shù)據(jù)的Item類 實現(xiàn)items.py詳細(xì)代碼： from scrapy.item import Item, Field
class QcwyItem(Item):
#定義要抓取信息的Item結(jié)構(gòu)
title = Field() #職位名稱
link = Field() #詳情鏈接
company = Field() #公司名稱
updatetime = Field() #更新時間 4.實現(xiàn)pipelines.py的詳細(xì)代碼： import json
import codecs
import MySQLdb
import MySQLdb.cursors
from twisted.enterprise import adbapi
from scrapy import signals
class QcwyJsonPipeline(object):
def __init__(self):
self.file = codecs.open('..\\qcwy\\qcwy\\qcwy.json', 'w', encoding = 'utf-8')
def process_item(self, item, spider):
line = json.dumps(dict(item), ensure_ascii = False) '\n'
self.file.write(line)
return item
def spider_closed(self, spider):
self.file.close()
class QcwyMySQLPipeline(object):
'''docstring for MySQLPipeline'''
def __init__(self):
self.connpool = adbapi.ConnectionPool('MySQLdb',
host = '127.0.0.1',
db = 'qcwy',
user = 'root',
passwd = '',
cursorclass = MySQLdb.cursors.DictCursor,
charset = 'utf8',
use_unicode = True
)
def process_item(self, item, spider):
query = self.connpool.runInteraction(self._conditional_insert, item)
query.addErrback(self.handle_error)
return item
def _conditional_insert(self, tx, item):
if item.get('title'):
tx.execute('insert into detail (title, link, company, updatetime) values(%s, %s, %s, %s)',
(item['title'], item['link'], item['company'], item['updatetime']))
def handle_error(self, e):
log.err(e)
5.Spider的實現(xiàn) # -*- coding: utf-8 -*-
import logging
import scrapy
import urllib
import codecs
from scrapy.selector import Selector
from qcwy.items import QcwyItem
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
keyword = 'Python'
#把字符串編碼成符合url規(guī)范的編碼
keywordcode = urllib.quote(keyword)
is_start_page = True
class TestfollowSpider(scrapy.Spider):
name = 'qcwysearch'
allowed_domains = ['']
start_urls = [
'http://search./jobsearch/search_result.php?fromJs=1&jobarea=030200%2C00&funtype=0000&industrytype=00&keyword=' keywordcode,
]
def parse(self, response):
global is_start_page
url = ''
#從開始頁面開始解析數(shù)據(jù)，開始頁面start_urls
if is_start_page:
url = self.start_urls[0]
is_start_page = False
else:
href = response.xpath('//table[@class='searchPageNav']/tr/td[last()]/a/@href')
url = response.urljoin(href.extract())
yield scrapy.Request(url, callback=self.parse_dir_contents)
def parse_dir_contents(self, response):
for sel in response.xpath('//table[@id='resultList']/tr[@class='tr0']'):
item = QcwyItem()
temp = sel.xpath('td[@class='td1']/a/text()').extract()
if len(temp) > 0:
item['title'] = temp[0] keyword temp[-1]
else:
item['title'] = keyword
item['link'] = sel.xpath('td[@class='td1']/a/@href').extract()[0]
item['company'] = sel.xpath('td[@class='td2']/a/text()').extract()[0]
item['updatetime'] = sel.xpath('td[@class='td4']/span/text()').extract()[0]
yield item
next_page = response.xpath('//table[@class='searchPageNav']/tr/td[last()]/a/@href')
if next_page:
url = response.urljoin(next_page[0].extract())
yield scrapy.Request(url, self.parse_dir_contents)
6.在setting.py中加入： ITEM_PIPELINES = {
'qcwy.pipelines.QcwyJsonPipeline': 300,
'qcwy.pipelines.QcwyMySQLPipeline': 800,
} 7.在CMD中輸入cd c:\qcwy進入工程目錄 輸入scrapy crawl qcwysearch 然后查看生成的json文件，可以看到以下我們想要的信息： {'company': '廣東威法科技發(fā)展有限公司', 'link': 'http://search./job/70631365,c.html', 'updatetime': '2015-09-29', 'title': '中級后端Python工程師'}
{'company': '珠海橫琴新區(qū)蓋網(wǎng)通傳媒有限公司廣州分公司', 'link': 'http://search./job/69706486,c.html', 'updatetime': '2015-09-29', 'title': '開發(fā)工程師Python開發(fā)工程師'}
{'company': '廣州明朝互動科技股份有限公司', 'link': 'http://search./job/69898292,c.html', 'updatetime': '2015-09-29', 'title': '開發(fā)工程師Python開發(fā)工程師'}
{'company': '廣州市賽酷比軟件有限公司', 'link': 'http://search./job/69816266,c.html', 'updatetime': '2015-09-29', 'title': '分布式軟件架構(gòu)師(Python...'}
{'company': '廣州市賽酷比軟件有限公司', 'link': 'http://search./job/69816017,c.html', 'updatetime': '2015-09-29', 'title': '爬蟲工程師Python爬蟲工程師'}
{'company': '廣州杰升信息科技有限公司', 'link': 'http://search./job/51077705,c.html', 'updatetime': '2015-09-29', 'title': '工程師Python工程師'}
{'company': '廣州飛屋網(wǎng)絡(luò)科技有限公司', 'link': 'http://search./job/71800002,c.html', 'updatetime': '2015-09-29', 'title': '開發(fā)工程師Python開發(fā)工程師'}
{'company': '廣州飛屋網(wǎng)絡(luò)科技有限公司', 'link': 'http://search./job/59931502,c.html', 'updatetime': '2015-09-29', 'title': '開發(fā)工程師Python開發(fā)工程師'}
{'company': '廣州達(dá)新信息科技有限公司', 'link': 'http://search./job/69614188,c.html', 'updatetime': '2015-09-29', 'title': '開發(fā)工程師Python開發(fā)工程師'}
{'company': '廣州埃立方通信技術(shù)有限公司', 'link': 'http://search./job/71920362,c.html', 'updatetime': '2015-09-29', 'title': '軟件工程師Python軟件工程師'}
{'company': '廣州黑珍珠計算機技術(shù)有限公司', 'link': 'http://search./job/60592771,c.html', 'updatetime': '2015-09-29', 'title': '服務(wù)器端程序員Python服務(wù)器端程序員'}
{'company': '聚力精彩（北京）信息技術(shù)有限公司', 'link': 'http://search./job/72246020,c.html', 'updatetime': '2015-09-29', 'title': '高級開發(fā)工程師AEBPython高級開發(fā)工程師AEB'}
{'company': '廣州七樂康藥業(yè)連鎖有限公司', 'link': 'http://search./job/71362309,c.html', 'updatetime': '2015-09-29', 'title': '中級開發(fā)工程師Python中級開發(fā)工程師'}
{'company': '廣州七樂康藥業(yè)連鎖有限公司', 'link': 'http://search./job/69404827,c.html', 'updatetime': '2015-09-29', 'title': ' 初級開發(fā)工程師Python 初級開發(fā)工程師'}
{'company': '廣州七樂康藥業(yè)連鎖有限公司', 'link': 'http://search./job/69207304,c.html', 'updatetime': '2015-09-29', 'title': '資深開發(fā)工程師Python資深開發(fā)工程師'}
{'company': '貴州格安科技有限公司廣州分公司', 'link': 'http://search./job/63157264,c.html', 'updatetime': '2015-09-29', 'title': '高級Python開發(fā)工程師'}
{'company': '貴州格安科技有限公司廣州分公司', 'link': 'http://search./job/60035771,c.html', 'updatetime': '2015-09-29', 'title': ' 開發(fā)工程師Python 開發(fā)工程師'}
{'company': '珠海麒潤網(wǎng)絡(luò)科技有限公司', 'link': 'http://search./job/51153619,c.html', 'updatetime': '2015-09-29', 'title': 'PHP/Python開發(fā)工程師'}
{'company': '廣州百倫貿(mào)易有限公司', 'link': 'http://search./job/71097137,c.html', 'updatetime': '2015-09-29', 'title': '開發(fā)工程師Python開發(fā)工程師'}
{'company': '廣州暴雨網(wǎng)絡(luò)技術(shù)有限公司', 'link': 'http://search./job/69546409,c.html', 'updatetime': '2015-09-29', 'title': '服務(wù)端開發(fā)工程師Python服務(wù)端開發(fā)工程師'} 通過phpMyAdmin來查看MySQL數(shù)據(jù)庫，可以看到：
四、后記 這篇到這里就結(jié)束了，網(wǎng)絡(luò)爬蟲這個技術(shù)作為一個非常常規(guī)的獲取信息的手段，當(dāng)然如果用作生產(chǎn)工具的話，還有一些不足的地方。比如：如何使爬蟲的行為更像我們在使用瀏覽器在瀏覽信息。接下來，還會有本篇的后續(xù)進階篇。 |
|
|
