Python爬蟲 BeautifulSoup抓取網頁數據 並保存到數據庫MySQL

最近剛學習Python，做了個簡單的爬蟲，作爲一個簡單的demo希望幫助和我一樣的初學者

代碼使用python2.7做的爬蟲  抓取51job上面的職位名，公司名，薪資，發佈時間等等

直接上代碼，代碼中註釋還算比較清楚 ，沒有安裝mysql需要屏蔽掉相關代碼：

#!/usr/bin/python
# -*- coding: UTF-8 -*-

from bs4 import BeautifulSoup
import urllib
import urllib2
import codecs
import re
import time
import logging
import MySQLdb


class Jobs(object):

    # 初始化
    """docstring for Jobs"""

    def __init__(self):
        super(Jobs, self).__init__()
        
        logging.basicConfig(level=logging.DEBUG,
                  format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s')
        #數據庫的操作，沒有mysql可以做屏蔽
        self.db = MySQLdb.connect('127.0.0.1','root','rootroot','MySQL_Test',charset='utf8')
        self.cursor = self.db.cursor()

        #log日誌的顯示
        self.logger = logging.getLogger("sjk")

        self.logger.setLevel(level=logging.DEBUG)

        formatter = logging.Formatter(
            '%(asctime)s - %(name)s - %(levelname)s - %(message)s')
        handler = logging.FileHandler('log.txt')
        handler.setFormatter(formatter)
        handler.setLevel(logging.DEBUG)
        self.logger.addHandler(handler)

        self.logger.info('初始化完成')

    # 模擬請求數據
    def jobshtml(self, key, page='1'):
        try:
            self.logger.info('開始請求第' + page + '頁')
            #網頁url
            searchurl = "https://search.51job.com/list/040000,000000,0000,00,9,99,{key},2,{page}.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare="

            user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.13; rv:59.0) Gecko/20100101 Firefox/59.0'
            #設置請求頭
            header = {'User-Agent': user_agent, 'Host': 'search.51job.com',
                      'Referer': 'https://www.51job.com/'}
            #拼接url
            finalUrl = searchurl.format(key=key, page=page)
            
            request = urllib2.Request(finalUrl, headers=header)

            response = urllib2.urlopen(request)
            #等待網頁加載完成
            time.sleep(3)
            #gbk格式解碼
            info = response.read().decode('gbk')

            self.logger.info('請求網頁網頁')

            self.decodeHtml(info=info, key=key, page=page)

        except urllib2.HTTPError as e:
            print e.reason

    # 解析網頁數據
    def decodeHtml(self, info, key, page):
        self.logger.info('開始解析網頁數據')
        #BeautifulSoup 解析網頁
        soup = BeautifulSoup(info, 'html.parser')
        #找到class = t1  t2  t3  t4  t5 的標籤數據
        ps = soup.find_all(attrs={"class": re.compile(r'^t[1-5].*')})
        #打開txt文件 a+ 代表追加
        f = codecs.open(key + '.txt', 'a+', 'UTF-8')
        #清除之前的數據信息
        f.truncate()

        f.write('\n------------' + page + '--------------\n')

        count = 1

        arr = []
        #做一些字符串的處理，形成數據格式   iOS開發工程師  有限公司  深圳-南山區  0.9-1.6萬/月  05-16
        for pi in ps:
            spe = "  "
            finalstr = pi.getText().strip()
            arr.append(finalstr)
            if count % 5 == 0:
                #每一條數據插入數據庫，如果沒有安裝mysql 可以將當前行註釋掉
                self.connectMySQL(arr=arr)
                arr = []
                spe = "\n"
            writestr = finalstr + spe
            count += 1
            f.write(writestr)
        f.close()
        
        self.logger.info('解析完成')

#數據庫操作  沒有安裝mysql 可以屏蔽掉
    def connectMySQL(self,arr):
        work=arr[0]
        company=arr[1]
        place=arr[2]
        salary=arr[3]
        time=arr[4]

        query = "select * from Jobs_tab where \
        company_name='%s' and work_name='%s' and work_place='%s' \
        and salary='%s' and time='%s'" %(company,work,place,salary,time)
        self.cursor.execute(query)

        queryresult = self.cursor.fetchall()
        #數據庫中不存在就插入數據 存在就可以更新數據  不過我這邊沒有寫
        if len(queryresult) > 0:
            sql = "insert into Jobs_tab(work_name,company_name,work_place,salary\
                    ,time) values('%s','%s','%s','%s','%s')" %(work,company,place,salary,time)
            
            try:
                self.cursor.execute(sql)
                self.db.commit()
               
            except Exception as e:
                self.logger.info('寫入數據庫失敗')
        

    #模擬登陸
    # def login(self):
    #     data = {'action':'save','isread':'on','loginname':'18086514327','password':'kui4131sjk'}


    # 開始抓取 主函數
    def run(self, key):

        # 只要前5頁的數據  key代表搜索工做類型  這邊我是用的ios page是頁數
        for x in xrange(1, 6):
            self.jobshtml(key=key, page=str(x))

        self.logger.info('寫入數據庫完成')

        self.db.close()

if __name__ == '__main__':

    Jobs().run(key='iOS')

這樣抓取網頁數據格式如下：

有什麼寫得不好的地方，歡迎指點