Python爬虫框架Scrapy实战 - 抓取BOSS直聘招聘信息

原文链接：/blog/scrapy_zhipin_spider.html

开发环境

MacBook Pro (13-inch, , Two Thunderbolt 3 ports)

CPU : 2 GHz Intel Core i5

RAM : 8 GB 1867 MHz LPDDR3

Python : Python 3.6.3 [GCC 4.2.1 (Apple Inc. build 5666) (dot 3)] on darwin

MongoDB : v3.4.7

MongoDB Tool ：MongoBooster v4.1.3

一、准备工作

安装 Scrapy

pip3 install scrapy

如果顺利的话,会像本人这样,装了一大堆软件包

参考翻译文档的安装教程：http://scrapy-chs.readthedocs.io/zh_CN/latest/intro/install.html

官方 GitHub 地址：/scrapy/scrapy

二、新建项目

如果顺利的话,会像本人这样

三、定义要抓取的 Item

在items.py 文件中定义一个类

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()

四、分析页面

一般一条招聘像下面这样

html 结构如下

爬虫中就是使用 css 选择器获取标签里的文字或链接等

五、爬虫代码

在 spiders 目录下新建 zhipin_spider.py

# -*- coding: utf-8 -*-

import scrapy

import time

from www_zhipin_com.items import WwwZhipinComItem

class ZhipinSpider(scrapy.Spider):

# spider的名字定义了Scrapy如何定位(并初始化)spider，所以其必须是唯一的。 不过您可以生成多个相同的spider实例(instance)，这没有任何限制。 name是spider最重要的属性，而且是必须的

name = 'zhipin'

# 可选。包含了spider允许爬取的域名(domain)列表(list)。 当 OffsiteMiddleware 启用时， 域名不在列表中的URL不会被跟进。

allowed_domains = ['']

# URL列表。当没有制定特定的URL时，spider将从该列表中开始进行爬取。

# 这里我们进行了指定，所以不是从这个 URL 列表里爬取

start_urls = ['/']

# 要爬取的页面，可以改为自己需要搜的条件，这里搜的是 上海-PHP，其他条件都是不限

positionUrl = '/c10100/h_10100/?query=php'

curPage = 1

# 发送 header，伪装为浏览器

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=10100; __g=-; __l=r=https%3A%2F%.hk%2F&l=%2F; __a=38940428.1501326829..1501326829.20.1.20.20; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1501326839; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1502948718; __c=1501326829; lastCity=10100; __g=-; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1501326839; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1502954829; __l=r=https%3A%2F%.hk%2F&l=%2F; __a=38940428.1501326829..1501326829.21.1.21.21",

'cache-control': "no-cache",

'postman-token': "76554687-c4df-0c17-7cc0-5bf3845c9831"

}

//该方法必须返回一个可迭代对象(iterable)。该对象包含了spider用于爬取的第一个Request。

//该方法仅仅会被Scrapy调用一次，因此您可以将其实现为生成器。

def start_requests(self):

return [self.next_request()]

//负责处理response并返回处理的数据以及(/或)跟进的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 > pany-text > h3 > a::text'

).extract_first().strip()

company_infos = job_primary.css(

'div.info-company > pany-text > p::text').extract()

if len(company_infos) == 3: # 有一条招聘这里只有两项，所以加个判断

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！听听听！都给我停下来听着！睡一会(～﹃～)~zZ

yield self.next_request()

# 发送请求

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)

运行脚本

scrapy crawl zhipin -o item.json

这里会在项目目录下生成 item.json 的一个 json 文件

运行情况如下

/blog/video/scrapy_zhipin_demo.mp4

Point 1 设置 UTF-8 编码

但是不巧，往往这是一个 Unicode 编码的文件，所以需要加个设置

在 settings.py中添加(PS:也可以在运行的时候带上这个参数)

FEED_EXPORT_ENCODING = 'utf-8'

亲测以下方法是不能解决问题的

Point 2 慢一点

注意不要爬的太快，因为 BOSS 直聘只会显示20页的招聘信息，所以理论上这个脚本只要执行20次即可，那么间隔时间尽量设置长一点，本人爬的时候设置的是5秒，但是后面稍微快了一点就六字真言了，还好我已经把数据爬到了

慢一点，才能快一点！

Point 3 修改为自定义的条件

可以修改 zhipin_spider.py 第18行 positionUrl 的链接，把 PHP 修改为 Java 或 Python，把城市编码（’c10100’ == 上海）换成你需要查询的城市，即可爬取自定的岗位，这就很灵性了！

六、保存到数据库

一条json数据如下

{

"pid": "16115932",

"positionName": "PHP后台开发工程师",

"salary": "13K-20K",

"city": "上海",

"workYear": "1-3年",

"education": "本科",

"companyShortName": "蜻蜓FM",

"industryField": "互联网",

"financeStage": "D轮及以上",

"companySize": "100-499人",

"positionLables": [

"PHP"

],

"time": "发布于昨天",

"updated_at": "-12-10 17:36:21"

},

使用软件将json文件导入到 MongoDB 中,以备后面的使用

七、不足

这里招聘的详细要求还没有爬取

刚抓到的数据还没初步处理

本项目开源地址：/jtahstu/Scrapy_zhipin

∞∞∞∞∞

IT派 - {技术青年圈} 持续关注互联网、区块链、人工智能领域

公众号回复“Python”，

邀你加入{ IT派Python技术群 }