原文地址: http://www.jtahstu.com/blog/s...
Python爬蟲框架Scrapy實戰(zhàn) - 抓取BOSS直聘招聘信息 零、開發(fā)環(huán)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
一、準(zhǔn)備工作 安裝 Scrapypip3 install scrapy
如果順利的話,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
二、新建項目scrapy startproject www_zhipin_com
如果順利的話,會像本人這樣
三、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()四、分析頁面
一般一條招聘像下面這樣
html 結(jié)構(gòu)如下
爬蟲中就是使用 css 選擇器獲取標(biāo)簽里的文字或鏈接等
五、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(并初始化)spider,所以其必須是唯一的。 不過您可以生成多個相同的spider實例(instance),這沒有任何限制。 name是spider最重要的屬性,而且是必須的 name = "zhipin" # 可選。包含了spider允許爬取的域名(domain)列表(list)。 當(dāng) OffsiteMiddleware 啟用時, 域名不在列表中的URL不會被跟進(jìn)。 allowed_domains = ["www.zhipin.com"] # URL列表。當(dāng)沒有制定特定的URL時,spider將從該列表中開始進(jìn)行爬取。 # 這里我們進(jìn)行了指定,所以不是從這個 URL 列表里爬取 start_urls = ["http://www.zhipin.com/"] # 要爬取的頁面,可以改為自己需要搜的條件,這里搜的是 上海-PHP,其他條件都是不限 positionUrl = "http://www.zhipin.com/c101020100/h_101020100/?query=php" curPage = 1 # 發(fā)送 header,偽裝為瀏覽器 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用于爬取的第一個Request。 //該方法僅僅會被Scrapy調(diào)用一次,因此您可以將其實現(xiàn)為生成器。 def start_requests(self): return [self.next_request()] //負(fù)責(zé)處理response并返回處理的數(shù)據(jù)以及(/或)跟進(jìn)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: # 有一條招聘這里只有兩項,所以加個判斷 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!都給我停下來聽著!睡一會(~﹃~)~zZ yield self.next_request() # 發(fā)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
這里會在項目目錄下生成 item.json 的一個 json 文件
運行情況如下
http://cdn.jtup.cc/blog/video...
Point 1 設(shè)置 UTF-8 編碼但是不巧,往往這是一個 Unicode 編碼的文件,所以需要加個設(shè)置
在 settings.py中添加(PS:也可以在運行的時候帶上這個參數(shù))
FEED_EXPORT_ENCODING = "utf-8"
親測以下方法是不能解決問題的
Point 2 慢一點注意不要爬的太快,因為 BOSS 直聘只會顯示20頁的招聘信息,所以理論上這個腳本只要執(zhí)行20次即可,那么間隔時間盡量設(shè)置長一點,本人爬的時候設(shè)置的是5秒,但是后面稍微快了一點就六字真言了,還好我已經(jīng)把數(shù)據(jù)爬到了
慢一點,才能快一點!
Point 3 修改為自定義的條件可以修改 zhipin_spider.py 第18行 positionUrl 的鏈接,把 PHP 修改為 Java 或 Python,把城市編碼("c101020100" == 上海)換成你需要查詢的城市,即可爬取自定的崗位,這就很靈性了!
六、保存到數(shù)據(jù)庫一條json數(shù)據(jù)如下
{ "pid": "16115932", "positionName": "PHP后臺開發(fā)工程師", "salary": "13K-20K", "city": "上海", "workYear": "1-3年", "education": "本科", "companyShortName": "蜻蜓FM", "industryField": "互聯(lián)網(wǎng)", "financeStage": "D輪及以上", "companySize": "100-499人", "positionLables": [ "PHP" ], "time": "發(fā)布于昨天", "updated_at": "2017-12-10 17:36:21" },
使用軟件將json文件導(dǎo)入到 MongoDB 中,以備后面的使用
七、不足這里招聘的詳細(xì)要求還沒有爬取
剛抓到的數(shù)據(jù)還沒初步處理
本項目開源地址:http://git.jtahstu.com/jtahst...
有人可能會問,爬這些數(shù)據(jù)有什么用呢,現(xiàn)在又不跳槽。
本人的回答是,那當(dāng)然肯定必須有用啊,所謂防患于未然、知己知彼,百戰(zhàn)不殆,只有及時了解市面上的需求,才能有針對性的提升自己、學(xué)習(xí)技術(shù),從另一方面來看,那有關(guān)錢途的事都是大事啊。
ok,本文到此為止,下一篇就是讓我們來好好分析,招聘 PHP 程序員,企業(yè)到底需要招聘的是什么樣的 PHP程序員。PHP 程序員需要具備哪些常規(guī)技能和哪些冷門技能,應(yīng)該點亮怎樣的技能樹,敬請期待。
非常感謝你能抽出三五分鐘看完這篇 Python 基礎(chǔ)入門的文章 , ^_^
九、致謝在文章的創(chuàng)作過程中,參考了以下文檔和文章等
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
文章版權(quán)歸作者所有,未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為,您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址:http://specialneedsforspecialkids.com/yun/26219.html
原文地址: http://www.jtahstu.com/blog/s... Python爬蟲框架Scrapy實戰(zhàn) - 抓取BOSS直聘招聘信息 零、開發(fā)環(huán)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...
摘要:一工作年限差異實時在線預(yù)覽地址簡單下從圖中來看,企業(yè)在招的基本是年和年,這里經(jīng)驗不限一般也可歸類為年中,這三者加起來的比例高達(dá),哇,挺夸張的了。 原文地址:http://www.jtahstu.com/blog/s... 基于‘BOSS直聘招聘信息’分析企業(yè)到底需要什么樣的PHPer 前兩篇文章都沒看,好意思直接看結(jié)果? Python爬蟲框架Scrapy實戰(zhàn) - 抓取BOSS直聘招聘...
摘要:一工作年限差異實時在線預(yù)覽地址簡單下從圖中來看,企業(yè)在招的基本是年和年,這里經(jīng)驗不限一般也可歸類為年中,這三者加起來的比例高達(dá),哇,挺夸張的了。 原文地址:http://www.jtahstu.com/blog/s... 基于‘BOSS直聘招聘信息’分析企業(yè)到底需要什么樣的PHPer 前兩篇文章都沒看,好意思直接看結(jié)果? Python爬蟲框架Scrapy實戰(zhàn) - 抓取BOSS直聘招聘...
摘要:然后準(zhǔn)備再去抓下拉勾網(wǎng)的招聘數(shù)據(jù),這也是個相對優(yōu)秀的專業(yè)招聘網(wǎng)站了,數(shù)據(jù)也相當(dāng)多,想當(dāng)初找實習(xí)找正式工作,都是在這兩個上找的,其他的網(wǎng)站幾乎都沒看。 原文地址:http://www.jtahstu.com/blog/s... Pyhton爬蟲實戰(zhàn) - 抓取BOSS直聘職位描述 和 數(shù)據(jù)清洗 零、致謝 感謝BOSS直聘相對權(quán)威的招聘信息,使本人有了這次比較有意思的研究之旅。 由于爬蟲持續(xù)...
摘要:然后準(zhǔn)備再去抓下拉勾網(wǎng)的招聘數(shù)據(jù),這也是個相對優(yōu)秀的專業(yè)招聘網(wǎng)站了,數(shù)據(jù)也相當(dāng)多,想當(dāng)初找實習(xí)找正式工作,都是在這兩個上找的,其他的網(wǎng)站幾乎都沒看。 原文地址:http://www.jtahstu.com/blog/s... Pyhton爬蟲實戰(zhàn) - 抓取BOSS直聘職位描述 和 數(shù)據(jù)清洗 零、致謝 感謝BOSS直聘相對權(quán)威的招聘信息,使本人有了這次比較有意思的研究之旅。 由于爬蟲持續(xù)...
閱讀 2171·2020-06-12 14:26
閱讀 2477·2019-08-29 16:41
閱讀 1884·2019-08-29 15:28
閱讀 2447·2019-08-26 13:43
閱讀 752·2019-08-26 13:37
閱讀 2771·2019-08-23 18:13
閱讀 2791·2019-08-23 15:31
閱讀 1013·2019-08-23 14:10