Python爬蟲框架Scrapy實戰 - 抓取BOSS直聘招聘信息

原文地址： http://www.jtahstu.com/blog/s...

Python爬蟲框架Scrapy實戰 - 抓取BOSS直聘招聘信息

零、開發環境

• MacBook Pro (13-inch, 2016, Two Thunderbolt 3 ports)
• CPU : 2 GHz Intel Core i5
• RAM : 8 GB 1867 MHz LPDDR3
• Python 版本: v3.6.3 [GCC 4.2.1 (Apple Inc. build 5666) (dot 3)] on darwin
• MongoDB 版本: v3.4.7
• MongoDB 可視化工具 ：MongoBooster v4.1.3

1、準備工做

安裝 Scrapy

pip3 install scrapy

若是順利的話,會像本人這樣,裝了一大堆軟件包

參考翻譯文檔的安裝教程：http://scrapy-chs.readthedocs...

官方 GitHub 地址：https://github.com/scrapy/scrapy

2、新建項目

scrapy startproject www_zhipin_com

若是順利的話,會像本人這樣

3、定義要抓取的 Item

在items.py 文件中定義一個類

class WwwZhipinComItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    pid = scrapy.Field()
    positionName = scrapy.Field()
    positionLables = scrapy.Field()
    workYear = scrapy.Field()
    salary = scrapy.Field()
    city = scrapy.Field()
    education = scrapy.Field()
    companyShortName = scrapy.Field()
    industryField = scrapy.Field()
    financeStage = scrapy.Field()
    companySize = scrapy.Field()
    time = scrapy.Field()
    updated_at = scrapy.Field()

4、分析頁面

通常一條招聘像下面這樣

html 結構以下

爬蟲中就是使用 css 選擇器獲取標籤裏的文字或連接等

5、爬蟲代碼

在 spiders 目錄下新建 zhipin_spider.py

# -*- coding: utf-8 -*-
import scrapy
import time
from www_zhipin_com.items import WwwZhipinComItem


class ZhipinSpider(scrapy.Spider):
    # spider的名字定義了Scrapy如何定位(並初始化)spider，因此其必須是惟一的。 不過您能夠生成多個相同的spider實例(instance)，這沒有任何限制。 name是spider最重要的屬性，並且是必須的
    name = 'zhipin'
    
    # 可選。包含了spider容許爬取的域名(domain)列表(list)。 當 OffsiteMiddleware 啓用時， 域名不在列表中的URL不會被跟進。
    allowed_domains = ['www.zhipin.com']
    
    # URL列表。當沒有制定特定的URL時，spider將從該列表中開始進行爬取。
    # 這裏咱們進行了指定，因此不是從這個 URL 列表裏爬取
    start_urls = ['http://www.zhipin.com/'] 
    
    # 要爬取的頁面，能夠改成本身須要搜的條件，這裏搜的是 上海-PHP，其餘條件都是不限
    positionUrl = 'http://www.zhipin.com/c101020100/h_101020100/?query=php'
    curPage = 1

    # 發送 header，假裝爲瀏覽器
    headers = {
        'x-devtools-emulate-network-conditions-client-id': "5f2fc4da-c727-43c0-aad4-37fce8e3ff39",
        'upgrade-insecure-requests': "1",
        'user-agent': "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.90 Safari/537.36",
        'accept': "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
        'dnt': "1",
        'accept-encoding': "gzip, deflate",
        'accept-language': "zh-CN,zh;q=0.8,en;q=0.6",
        'cookie': "__c=1501326829; lastCity=101020100; __g=-; __l=r=https%3A%2F%2Fwww.google.com.hk%2F&l=%2F; __a=38940428.1501326829..1501326829.20.1.20.20; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1501326839; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1502948718; __c=1501326829; lastCity=101020100; __g=-; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1501326839; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1502954829; __l=r=https%3A%2F%2Fwww.google.com.hk%2F&l=%2F; __a=38940428.1501326829..1501326829.21.1.21.21",
        'cache-control': "no-cache",
        'postman-token': "76554687-c4df-0c17-7cc0-5bf3845c9831"
    }

    //該方法必須返回一個可迭代對象(iterable)。該對象包含了spider用於爬取的第一個Request。
    //該方法僅僅會被Scrapy調用一次，所以您能夠將其實現爲生成器。
    def start_requests(self):
        return [self.next_request()]

    //負責處理response並返回處理的數據以及(/或)跟進的URL。
    def parse(self, response):
        print("request -> " + response.url)
        job_list = response.css('div.job-list > ul > li')
        for job in job_list:
            item = WwwZhipinComItem()
            job_primary = job.css('div.job-primary')
            item['pid'] = job.css(
                'div.info-primary > h3 > a::attr(data-jobid)').extract_first().strip()
            item["positionName"] = job_primary.css(
                'div.info-primary > h3 > a::text').extract_first().strip()
            item["salary"] = job_primary.css(
                'div.info-primary > h3 > a > span::text').extract_first().strip()
            info_primary = job_primary.css(
                'div.info-primary > p::text').extract()
            item['city'] = info_primary[0].strip()
            item['workYear'] = info_primary[1].strip()
            item['education'] = info_primary[2].strip()
            item['companyShortName'] = job_primary.css(
                'div.info-company > div.company-text > h3 > a::text'
            ).extract_first().strip()
            company_infos = job_primary.css(
                'div.info-company > div.company-text > p::text').extract()
            if len(company_infos) == 3: # 有一條招聘這裏只有兩項，因此加個判斷
                item['industryField'] = company_infos[0].strip()
                item['financeStage'] = company_infos[1].strip()
                item['companySize'] = company_infos[2].strip()
            item['positionLables'] = job.css(
                'li > div.job-tags > span::text').extract()
            item['time'] = job.css('span.time::text').extract_first().strip()
            item['updated_at'] = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
            yield item

        self.curPage += 1
        time.sleep(5) # 停停停！聽聽聽！都給我停下來聽着！睡一會(～﹃～)~zZ
        yield self.next_request()

    # 發送請求
    def next_request(self):
        return scrapy.http.FormRequest(
            self.positionUrl + ("&page=%d&ka=page-%d" %
                                (self.curPage, self.curPage)),
            headers=self.headers,
            callback=self.parse)

運行腳本

scrapy crawl zhipin -o item.json

這裏會在項目目錄下生成 item.json 的一個 json 文件

運行狀況以下

http://cdn.jtup.cc/blog/video...

Point 1 設置 UTF-8 編碼

可是不巧，每每這是一個 Unicode 編碼的文件，因此須要加個設置

在 settings.py中添加(PS:也能夠在運行的時候帶上這個參數)

FEED_EXPORT_ENCODING = 'utf-8'

親測如下方法是不能解決問題的

Point 2 慢一點

注意不要爬的太快，由於 BOSS 直聘只會顯示20頁的招聘信息，因此理論上這個腳本只要執行20次便可，那麼間隔時間儘可能設置長一點，本人爬的時候設置的是5秒，可是後面稍微快了一點就六字真言了，還好我已經把數據爬到了

慢一點，才能快一點！

Point 3 修改成自定義的條件

能夠修改 zhipin_spider.py 第18行 positionUrl 的連接，把 PHP 修改成 Java 或 Python，把城市編碼（'c101020100' == 上海）換成你須要查詢的城市，便可爬取自定的崗位，這就很靈性了！

6、保存到數據庫

一條json數據以下

{
    "pid": "16115932",
    "positionName": "PHP後臺開發工程師",
    "salary": "13K-20K",
    "city": "上海",
    "workYear": "1-3年",
    "education": "本科",
    "companyShortName": "蜻蜓FM",
    "industryField": "互聯網",
    "financeStage": "D輪及以上",
    "companySize": "100-499人",
    "positionLables": [
      "PHP"
    ],
    "time": "發佈於昨天",
    "updated_at": "2017-12-10 17:36:21"
  },

使用軟件將json文件導入到 MongoDB 中,以備後面的使用

7、不足

• 這裏招聘的詳細要求尚未爬取
• 剛抓到的數據還沒初步處理

---

本項目開源地址：http://git.jtahstu.com/jtahst...

---

8、後記

有人可能會問，爬這些數據有什麼用呢，如今又不跳槽。

本人的回答是，那固然確定必須有用啊，所謂防患於未然、知己知彼，百戰不殆，只有及時瞭解市面上的需求，纔能有針對性的提高本身、學習技術，從另外一方面來看，那有關錢途的事都是大事啊。

ok，本文到此爲止，下一篇就是讓咱們來好好分析，招聘 PHP 程序員，企業到底須要招聘的是什麼樣的 PHP程序員。PHP 程序員須要具有哪些常規技能和哪些冷門技能，應該點亮怎樣的技能樹，敬請期待。

很是感謝你能抽出三五分鐘看完這篇 Python 基礎入門的文章 ， ^_^

9、致謝

在文章的創做過程當中，參考瞭如下文檔和文章等

• Scrapy 1.0 中文文檔
• Scrapy安裝、爬蟲入門教程、爬蟲實例（豆瓣電影爬蟲） - 博客園
• Scrapy筆記02- 完整示例