一、開發環境
OS:Windows 7 64bit旗艦版Python:2.7.10
Scrapy:1.0.3
MySQL:5.6.21
Sublime Text2:2.0.2
具體的開發環境配置這裏就不介紹了,如需瞭解,歡迎與我交流。
二、目標
通過在前程無憂的職位搜索中輸入職位關鍵詞獲取相應的職位信息,現在我們通過Scrapy爬蟲來實現這個功能,自動幫我們獲取相關的職位信息,並保存成.json格式和保存到MySQL數據庫。
三、實現步驟
Scrapy是一個比較流行的Python爬蟲框架,Scrapy爬蟲的基本實現流程如下:
1.通過scrapy startproject spiderproject 來創建一個新的爬蟲工程,spiderproject是我們自己命名的爬蟲工程。比如本例子,我們創建一個工程scrapy startproject qcwy,qcwy即爲我們的工程名。
2.定義我們要解析具體數據的Item結構,在items.py文件中。
3.在pipelines.py中實現數據存儲的功能,可以在這裏實現我們抓取的數據保存在.json文件中,或者MySQL中,或者SQLite中,或者MongoDB中,或者其他你要保存的格式或者數據庫中。
4.在第1步創建的工程文件夾下的spider文件目錄下創建一個新的後綴爲.py的文件命名最好包含spider這個單詞,因爲我們要在這個文件中實現核心功能Spider。
5.在setting.py中進行一些相關的設置。
下面我們以詳細實例說明如何以Scrapy實現我們的目的:
1.在CMD中輸入 cd c:\ 進入c盤根目錄
2.輸入scrapy startproject qcwy,我們可以看到在c盤根目錄下看到qcwy這個文件夾(本文假如你的開發環境配置沒有任何問題,具體配置請參照Scrapy文檔)。
進入qcwy文件夾後,可以看到還有一個qcwy的文件夾和一個scrapy.cfg項目配置文件,不用管它,繼續進入qcwy這個文件夾,可以看到:
3.定義我們要解析的數據的Item類
實現items.py詳細代碼:
from scrapy.item import Item, Field
class QcwyItem(Item):
#定義要抓取信息的Item結構
title = Field() #職位名稱
link = Field() #詳情鏈接
company = Field() #公司名稱
updatetime = Field() #更新時間
4.實現pipelines.py的詳細代碼:
import json
import codecs
import MySQLdb
import MySQLdb.cursors
from twisted.enterprise import adbapi
from scrapy import signals
class QcwyJsonPipeline(object):
def __init__(self):
self.file = codecs.open('..\\qcwy\\qcwy\\qcwy.json', 'w', encoding = 'utf-8')
def process_item(self, item, spider):
line = json.dumps(dict(item), ensure_ascii = False) + "\n"
self.file.write(line)
return item
def spider_closed(self, spider):
self.file.close()
class QcwyMySQLPipeline(object):
"""docstring for MySQLPipeline"""
def __init__(self):
self.connpool = adbapi.ConnectionPool('MySQLdb',
host = '127.0.0.1',
db = 'qcwy',
user = 'root',
passwd = '',
cursorclass = MySQLdb.cursors.DictCursor,
charset = 'utf8',
use_unicode = True
)
def process_item(self, item, spider):
query = self.connpool.runInteraction(self._conditional_insert, item)
query.addErrback(self.handle_error)
return item
def _conditional_insert(self, tx, item):
if item.get('title'):
tx.execute("insert into detail (title, link, company, updatetime) values(%s, %s, %s, %s)",
(item['title'], item['link'], item['company'], item['updatetime']))
def handle_error(self, e):
log.err(e)
5.Spider的實現
# -*- coding: utf-8 -*-
import logging
import scrapy
import urllib
import codecs
from scrapy.selector import Selector
from qcwy.items import QcwyItem
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
keyword = "Python"
#把字符串編碼成符合url規範的編碼
keywordcode = urllib.quote(keyword)
is_start_page = True
class TestfollowSpider(scrapy.Spider):
name = "qcwysearch"
allowed_domains = ["51job.com"]
start_urls = [
"http://search.51job.com/jobsearch/search_result.php?fromJs=1&jobarea=030200%2C00&funtype=0000&industrytype=00&keyword=" + keywordcode,
]
def parse(self, response):
global is_start_page
url = ""
#從開始頁面開始解析數據,開始頁面start_urls
if is_start_page:
url = self.start_urls[0]
is_start_page = False
else:
href = response.xpath('//table[@class="searchPageNav"]/tr/td[last()]/a/@href')
url = response.urljoin(href.extract())
yield scrapy.Request(url, callback=self.parse_dir_contents)
def parse_dir_contents(self, response):
for sel in response.xpath('//table[@id="resultList"]/tr[@class="tr0"]'):
item = QcwyItem()
temp = sel.xpath('td[@class="td1"]/a/text()').extract()
if len(temp) > 0:
item['title'] = temp[0] + keyword + temp[-1]
else:
item['title'] = keyword
item['link'] = sel.xpath('td[@class="td1"]/a/@href').extract()[0]
item['company'] = sel.xpath('td[@class="td2"]/a/text()').extract()[0]
item['updatetime'] = sel.xpath('td[@class="td4"]/span/text()').extract()[0]
yield item
next_page = response.xpath('//table[@class="searchPageNav"]/tr/td[last()]/a/@href')
if next_page:
url = response.urljoin(next_page[0].extract())
yield scrapy.Request(url, self.parse_dir_contents)
6.在setting.py中加入:
ITEM_PIPELINES = {
'qcwy.pipelines.QcwyJsonPipeline': 300,
'qcwy.pipelines.QcwyMySQLPipeline': 800,
}
7.在CMD中輸入cd c:\qcwy進入工程目錄
輸入scrapy crawl qcwysearch
然後查看生成的json文件,可以看到以下我們想要的信息:
{"company": "廣東威法科技發展有限公司", "link": "http://search.51job.com/job/70631365,c.html", "updatetime": "2015-09-29", "title": "中級後端Python工程師"}
{"company": "珠海橫琴新區蓋網通傳媒有限公司廣州分公司", "link": "http://search.51job.com/job/69706486,c.html", "updatetime": "2015-09-29", "title": "開發工程師Python開發工程師"}
{"company": "廣州明朝互動科技股份有限公司", "link": "http://search.51job.com/job/69898292,c.html", "updatetime": "2015-09-29", "title": "開發工程師Python開發工程師"}
{"company": "廣州市賽酷比軟件有限公司", "link": "http://search.51job.com/job/69816266,c.html", "updatetime": "2015-09-29", "title": "分佈式軟件架構師(Python..."}
{"company": "廣州市賽酷比軟件有限公司", "link": "http://search.51job.com/job/69816017,c.html", "updatetime": "2015-09-29", "title": "爬蟲工程師Python爬蟲工程師"}
{"company": "廣州傑升信息科技有限公司", "link": "http://search.51job.com/job/51077705,c.html", "updatetime": "2015-09-29", "title": "工程師Python工程師"}
{"company": "廣州飛屋網絡科技有限公司", "link": "http://search.51job.com/job/71800002,c.html", "updatetime": "2015-09-29", "title": "開發工程師Python開發工程師"}
{"company": "廣州飛屋網絡科技有限公司", "link": "http://search.51job.com/job/59931502,c.html", "updatetime": "2015-09-29", "title": "開發工程師Python開發工程師"}
{"company": "廣州達新信息科技有限公司", "link": "http://search.51job.com/job/69614188,c.html", "updatetime": "2015-09-29", "title": "開發工程師Python開發工程師"}
{"company": "廣州埃立方通信技術有限公司", "link": "http://search.51job.com/job/71920362,c.html", "updatetime": "2015-09-29", "title": "軟件工程師Python軟件工程師"}
{"company": "廣州黑珍珠計算機技術有限公司", "link": "http://search.51job.com/job/60592771,c.html", "updatetime": "2015-09-29", "title": "服務器端程序員Python服務器端程序員"}
{"company": "聚力精彩(北京)信息技術有限公司", "link": "http://search.51job.com/job/72246020,c.html", "updatetime": "2015-09-29", "title": "高級開發工程師AEBPython高級開發工程師AEB"}
{"company": "廣州七樂康藥業連鎖有限公司", "link": "http://search.51job.com/job/71362309,c.html", "updatetime": "2015-09-29", "title": "中級開發工程師Python中級開發工程師"}
{"company": "廣州七樂康藥業連鎖有限公司", "link": "http://search.51job.com/job/69404827,c.html", "updatetime": "2015-09-29", "title": " 初級開發工程師Python 初級開發工程師"}
{"company": "廣州七樂康藥業連鎖有限公司", "link": "http://search.51job.com/job/69207304,c.html", "updatetime": "2015-09-29", "title": "資深開發工程師Python資深開發工程師"}
{"company": "貴州格安科技有限公司廣州分公司", "link": "http://search.51job.com/job/63157264,c.html", "updatetime": "2015-09-29", "title": "高級Python開發工程師"}
{"company": "貴州格安科技有限公司廣州分公司", "link": "http://search.51job.com/job/60035771,c.html", "updatetime": "2015-09-29", "title": " 開發工程師Python 開發工程師"}
{"company": "珠海麒潤網絡科技有限公司", "link": "http://search.51job.com/job/51153619,c.html", "updatetime": "2015-09-29", "title": "PHP/Python開發工程師"}
{"company": "廣州百倫貿易有限公司", "link": "http://search.51job.com/job/71097137,c.html", "updatetime": "2015-09-29", "title": "開發工程師Python開發工程師"}
{"company": "廣州暴雨網絡技術有限公司", "link": "http://search.51job.com/job/69546409,c.html", "updatetime": "2015-09-29", "title": "服務端開發工程師Python服務端開發工程師"}
通過phpMyAdmin來查看MySQL數據庫,可以看到:
四、後記 這篇到這裏就結束了,網絡爬蟲這個技術作爲一個非常常規的獲取信息的手段,當然如果用作生產工具的話,還有一些不足的地方。比如:如何使爬蟲的行爲更像我們在使用瀏覽器在瀏覽信息。接下來,還會有本篇的後續進階篇。