实战 | 手把手教你使用scrapy框架批量抓取招聘信息

Python爬虫与数据挖掘

共 6585字,需浏览 14分钟

 ·

2021-09-19 14:52

点击上方“Python爬虫与数据挖掘”,进行关注

回复“书籍”即可获赠Python从入门到进阶共10本电子书

愿得此身长报国,何须生入玉门关。
相信很多人都希望进腾讯这种大厂工作吧,工资高福利好,那么腾讯公司现在在招哪些职位?职位要求是什么呢?今天我们通过Scrapy框架来爬取腾讯招聘网,一探究竟!

  爬前分析


爬取前我们来简单分析一下腾讯的技术岗招聘网页,进入网站并打开开发者工具,如下图所示:

通过上图可以知道,职位的数据存放在<div class="recruit-wrap recruit-margin"标签中,那么我们打开网页源代码看看,数据是否存放在网页源代码里面,如下图所示:
发现数据没有存放在源代码里面,由此可以推断数据是通过JavaScript渲染出来,那么我们查看Ajax请求,看看Ajax请求中有没有存放职位信息的数据,如下图所示:
既然有Ajax请求中存放着职位数据,那么我们可以通过Ajax请求来获取,先来看看该请求的URL链接是怎样的:
https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1629464904109&countryId=&cityId=&bgIds=&productId=&categoryId=40001001,40001002,40001003,40001004,40001005,40001006&parentCategoryId=&attrId=&keyword=&pageIndex=2&pageSize=10&language=zh-cn&area=cn
发现该请求的URL那么长,那么我们尝试删减一下该URL的数据,如下所示:
#第一页
https://careers.tencent.com/tencentcareer/api/post/Query?categoryId=40001001,40001002,40001003,40001004,40001005,40001006&pageIndex=1&pageSize=10&language=zh-cn&area=cn

#第二页
https://careers.tencent.com/tencentcareer/api/post/Query?categoryId=40001001,40001002,40001003,40001004,40001005,40001006&pageIndex=2&pageSize=10&language=zh-cn&area=cn

#第三页
https://careers.tencent.com/tencentcareer/api/post/Query?categoryId=40001001,40001002,40001003,40001004,40001005,40001006&pageIndex=3&pageSize=10&language=zh-cn&area=cn

通过简单删减可以得出该URL可以为上面的URL,而且pageIndex的翻页的重要参数。

好了,数据的存储位置和URL已经知道了,接下来我们开始爬取数据。


  实战演练


1、创建scrapy项目

首先要创建一个scrapy项目,创建方式很简单,只要在执行以下命令即可:

scrapy startproject Tencent
执行命令后,pycharm的项目目录下会多了很多文件,如下图所示:

2、创建spider爬虫

创建spider爬虫的方式也很简单,只要执行如下命令即可:

scrapy genspider 爬取名 网站域名
scrapy genspider tencent careers.tencent.com
执行后,在spiders文件夹中会多了一个tencent.py文件,该文件就是刚才创建的spider爬虫,其文件内容下所示:
import scrapy

class Tencent1Spider(scrapy.Spider):
    name = 'tencent'
    allowed_domains = ['careers.tencent.com']
    start_urls = ['http://careers.tencent.com/']

    def parse(self, response):
        pass

其中

  • name是我们的爬虫名;

  • allowed_domains是域名,也就是爬虫爬取的范围;

  • start_urls是爬虫最开始爬取的URL链接;

  • parse()是用来解析响应、提取数据。

注意:parse()不能修改名字。

3、定义字段

在编写代码提取数据前,我们先来在items.py定义爬取的字段,字段类型为scrapy.Field,代码如下所示:

import scrapy

class TencentItem(scrapy.Item):
    # define the fields for your item here like:
    RecruitPostName = scrapy.Field()    #职位名
    LocationName = scrapy.Field()        #地址
    Responsibility = scrapy.Field()        #工作要求


4、提取数据

定义好字段后,接下来开始在tencent.py中编写代码来提取数据,具体代码如下所示:

import scrapy
from Tencent.items import TencentItem
class TencentSpider(scrapy.Spider):
    name = 'tencent'
    allowed_domains = ['careers.tencent.com']
    start_urls = ['https://careers.tencent.com/tencentcareer/api/post/Query?categoryId=40001001,40001002,40001003,40001004,40001005,40001006&pageIndex=1&pageSize=10&language=zh-cn&area=cn']

    def parse(self, response):
        json=response.json()
        datas = json.get('Data').get('Posts')
        for data in datas:
            item=TencentItem()
            item['RecruitPostName']=data.get('RecruitPostName'),
            item['LocationName']=data.get('LocationName'),
            item['Responsibility']=data.get('Responsibility').replace('\n','')
            yield item

首先我们导入items.py文件中的TencentItem,再修改start_urls的URL链接,定义一个json变量来接收网页响应的json()数据,通过for循环把每条职位信息循环遍历并提取我们想要的数据并放在item字典里面,其中item=TencentItem()相当于创建一个空字典item={},

翻页操作

首页我们已经成功获取到了,接下来要进行翻页操作,具体代码如下所示:

for i in range(2,4):
    next_url=f'https://careers.tencent.com/tencentcareer/api/post/Query?categoryId=40001001,40001002,40001003,40001004,40001005,40001006&pageIndex={i}&pageSize=10&language=zh-cn&area=cn'
    yield scrapy.Request(
        next_url,
        callback=self.parse
        )

首先我们创建一个for循环来进行翻页,调用yield生成器来返回数据给引擎,并调用scrapy.Request()方法,该方法能构建一个requests,同时指定提取数据的callback函数。

5、settings.py配置

在启动爬取前,我们先要在settings.py文件中编写一些代码,具体代码如下所示:

LOG_LEVEL="WARNING"    
ITEM_PIPELINES = {            
   'Tencent.pipelines.TencentPipeline'300,
}
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'        

其中:

  • LOG_LEVEL的作用的屏蔽log日志的输出;

  • ITEM_PIPELINES的作用是开启引擎;

6、保存数据

当我们要把数据保存成文件的时候,不需要任何额外的代码,只要执行如下代码即可

scrapy crawl 爬虫名 -o xxx.json         #保存为JSON文件
scrapy crawl 爬虫名 -o xxx.csv              #保存为csv文件
scrapy crawl 爬虫名 -o xxx.xml             #保存为xml文件  

当要把数据保存在数据库里面或者txt文件时,则需要在pipelines.py文件中编写代码。

好了,全部代码已经编写好了,现在执行以下命令来启动爬虫

scrapy crawl tencent -o tencent.csv



  结果展示

好了,爬取腾讯招聘就讲到这里了,感谢观看!

    小伙伴们,快快用实践一下吧!如果在学习过程中,有遇到任何问题,欢迎加我好友,我拉你进Python学习交流群共同探讨学习。

------------------- End -------------------

往期精彩文章推荐:

欢迎大家点赞,留言,转发,转载,感谢大家的相伴与支持

想加入Python学习群请在后台回复【入群

万水千山总是情,点个【在看】行不行

/今日留言主题/

随便说一两句吧~~

浏览 13
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报