Scrapy玩爬虫的肯定都知道！那么他多牛逼？你知道吗？

Posted 2020-12-28 python1314

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?

1. 同一项目中有多个爬虫
2. 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：

1. callback：表示当前请求的url响应交给哪个函数处理
2. meta：实现不同解析函数之间传递数据
3. 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?

1. 能明确爬取内容，需要爬取的字段清晰明了。
2. 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。