Python爬虫框架Scrapy实战之定向批量获取职位招聘信息
所谓网络爬虫，就是一个在网上到处或定向抓取数据的程序，当然，这种说法不够专业，更专业的描述就是，抓取特定网站网页的HTML数据。不过由于一个网站的网页很多，而我们又不可能事先知道所有网页的URL地址，所以，如何保证我们抓取到了网站的所有HTML页面就是一个有待考究的问题了。一般的方法是，定义一个入口页面，然后一般一个页面会有其他页面的URL，于是从当前页面获取到这些URL加入到爬虫的抓取队列中，然后进入到新页面后再递归的进行上述的操作，其实说来就跟深度遍历或广度遍历一样。
Scrapy是一个基于Twisted，纯Python实现的爬虫框架，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便～
Scrapy 使用 Twisted这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。整体架构如下图所示：
绿线是数据流向，首先从初始URL 开始，Scheduler 会将其交给 Downloader 进行下载，下载之后会交给 Spider 进行分析，Spider分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回 Scheduler ；另一种是需要保存的数据，它们则被送到Item Pipeline 那里，那是对数据进行后期处理（详细分析、过滤、存储等）的地方。另外，在数据流动的通道里还可以安装各种中间件，进行必要的处理。
我假定你已经安装了Scrapy。假如你没有安装,你可以参考这篇文章。
在本文中，我们将学会如何使用Scrapy建立一个爬虫程序，并爬取指定网站上的内容
1. 创建一个新的Scrapy Project
2. 定义你需要从网页中提取的元素Item
3.实现一个Spider类，通过接口完成爬取URL和提取Item的功能
4. 实现一个Item PipeLine类，完成Item的存储功能
我将会用腾讯招聘官网作为例子。
Github源码：https://github.com/maxliaops/scrapy-itzhaopin
目标：抓取腾讯招聘官网职位招聘信息并保存为JSON格式。
新建工程
首先，为我们的爬虫新建一个工程，首先进入一个目录（任意一个我们用来保存代码的目录），执行：
scrapy startprojectitzhaopin
最后的itzhaopin就是项目名称。这个命令会在当前目录下创建一个新目录itzhaopin，结构如下：
.
├── itzhaopin
│ ├── itzhaopin
│ │ ├── __init__.py
│ │ ├── items.py
│ │ ├── pipelines.py
│ │ ├── settings.py
│ │ └── spiders
│ │└── __init__.py
│ └── scrapy.cfg
scrapy.cfg: 项目配置文件
items.py: 需要提取的数据结构定义文件
pipelines.py:管道定义，用来对items里面提取的数据做进一步处理，如保存等
settings.py: 爬虫配置文件
spiders: 放置spider的目录
定义Item
在items.py里面定义我们要抓取的数据：
- fromscrapy.itemimportItem,Field
- classTencentItem(Item):
- name=Field()#职位名称
- catalog=Field()#职位类别
- workLocation=Field()#工作地点
- recruitNumber=Field()#招聘人数
- detailLink=Field()#职位详情页链接
- publishTime=Field()#发布时间
实现Spider
Spider是一个继承自scrapy.contrib.spiders.CrawlSpider的Python类，有三个必需的定义的成员
name: 名字，这个spider的标识
start_urls:一个url列表，spider从这些网页开始抓取
parse():一个方法，当start_urls里面的网页抓取下来之后需要调用这个方法解析网页内容，同时需要返回下一个需要抓取的网页，或者返回items列表
所以在spiders目录下新建一个spider，tencent_spider.py:
- importre
- importjson
- fromscrapy.selectorimportSelector
- try:
- fromscrapy.spiderimportSpider
- except:
- fromscrapy.spiderimportBaseSpiderasSpider
- fromscrapy.utils.responseimportget_base_url
- fromscrapy.utils.urlimporturljoin_rfc
- fromscrapy.contrib.spidersimportCrawlSpider,Rule
- fromscrapy.contrib.linkextractors.sgmlimportSgmlLinkExtractorassle
- fromitzhaopin.itemsimport*
- fromitzhaopin.misc.logimport*
- classTencentSpider(CrawlSpider):
- name="tencent"
- allowed_domains=["tencent.com"]
- start_urls=[
- "http://hr.tencent.com/position.php"
- ]
- rules=[#定义爬取URL的规则
- Rule(sle(allow=("/position.php\?&start=\d{,4}#a")),follow=True,callback='parse_item')
- ]
- defparse_item(self,response):#提取数据到Items里面，主要用到XPath和CSS选择器提取网页数据
- items=[]
- sel=Selector(response)
- base_url=get_base_url(response)
- sites_even=sel.css('table.tablelisttr.even')
- forsiteinsites_even:
- item=TencentItem()
- item['name']=site.css('.l.squarea').xpath('text()').extract()
- relative_url=site.css('.l.squarea').xpath('@href').extract()[0]
- item['detailLink']=urljoin_rfc(base_url,relative_url)
- item['catalog']=site.css('tr>td:nth-child(2)::text').extract()
- item['workLocation']=site.css('tr>td:nth-child(4)::text').extract()
- item['recruitNumber']=site.css('tr>td:nth-child(3)::text').extract()
- item['publishTime']=site.css('tr>td:nth-child(5)::text').extract()
- items.append(item)
- #printrepr(item).decode("unicode-escape")+'\n'
- sites_odd=sel.css('table.tablelisttr.odd')
- forsiteinsites_odd:
- item=TencentItem()
- item['name']=site.css('.l.squarea').xpath('text()').extract()
- relative_url=site.css('.l.squarea').xpath('@href').extract()[0]
- item['detailLink']=urljoin_rfc(base_url,relative_url)
- item['catalog']=site.css('tr>td:nth-child(2)::text').extract()
- item['workLocation']=site.css('tr>td:nth-child(4)::text').extract()
- item['recruitNumber']=site.css('tr>td:nth-child(3)::text').extract()
- item['publishTime']=site.css('tr>td:nth-child(5)::text').extract()
- items.append(item)
- #printrepr(item).decode("unicode-escape")+'\n'
- info('parsed'+str(response))
- returnitems
- def_process_request(self,request):
- info('process'+str(request))
- returnrequest
实现PipeLine
PipeLine用来对Spider返回的Item列表进行保存操作，可以写入到文件、或者数据库等。
PipeLine只有一个需要实现的方法：process_item，例如我们将Item保存到JSON格式文件中：
pipelines.py
- fromscrapyimportsignals
- importjson
- importcodecs
- classJsonWithEncodingTencentPipeline(object):
- def__init__(self):
- self.file=codecs.open('tencent.json','w',encoding='utf-8')
- defprocess_item(self,item,spider):
- line=json.dumps(dict(item),ensure_ascii=False)+"\n"
- self.file.write(line)
- returnitem
- defspider_closed(self,spider):
- self.file.close(
- )
到现在，我们就完成了一个基本的爬虫的实现，可以输入下面的命令来启动这个Spider:
scrapy crawl tencent
爬虫运行结束后，在当前目录下将会生成一个名为tencent.json的文件，其中以JSON格式保存了职位招聘信息。
部分内容如下：
{"recruitNumber": ["1"], "name": ["SD5-资深手游策划（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15626&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["产品/项目类"], "workLocation": ["深圳"]}{"recruitNumber": ["1"], "name": ["TEG13-后台开发工程师（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15666&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["深圳"]}
{"recruitNumber": ["2"], "name": ["TEG12-数据中心高级经理（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15698&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["深圳"]}
{"recruitNumber": ["1"], "name": ["GY1-微信支付品牌策划经理（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15710&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["市场类"], "workLocation": ["深圳"]}
{"recruitNumber": ["2"], "name": ["SNG06-后台开发工程师（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15499&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["深圳"]}
{"recruitNumber": ["2"], "name": ["OMG01-腾讯时尚视频策划编辑(北京)"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15694&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["内容编辑类"], "workLocation": ["北京"]}
{"recruitNumber": ["1"], "name": ["HY08-QT客户端Windows开发工程师(深圳)"], "detailLink": "http://hr.tencent.com/position_detail.php?id=11378&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["深圳"]}
{"recruitNumber": ["5"], "name": ["HY1-移动游戏测试经理（上海）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15607&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["上海"]}
{"recruitNumber": ["1"], "name": ["HY6-网吧平台高级产品经理（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=10974&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["产品/项目类"], "workLocation": ["深圳"]}
{"recruitNumber": ["4"], "name": ["TEG14-云存储研发工程师（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15168&keywords=&tid=0&lid=0", "publishTime": ["2014-04-24"], "catalog": ["技术类"], "workLocation": ["深圳"]}
{"recruitNumber": ["1"], "name": ["CB-薪酬经理（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=2309&keywords=&tid=0&lid=0", "publishTime": ["2013-11-28"], "catalog": ["职能类"], "workLocation": ["深圳"]}
所谓网络爬虫，就是一个在网上到处或定向抓取数据的程序，当然，这种说法不够专业，更专业的描述就是，抓取特定网站网页的HTML数据。不过由于一个网站的网页很多，而我们又不可能事先知道所有网页的URL地址，所以，如何保证我们抓取到了网站的所有HTML页面就是一个有待考究的问题了。一般的方法是，定义一个入口页面，然后一般一个页面会有其他页面的URL，于是从当前页面获取到这些URL加入到爬虫的抓取队列中，然后进入到新页面后再递归的进行上述的操作，其实说来就跟深度遍历或广度遍历一样。
Scrapy是一个基于Twisted，纯Python实现的爬虫框架，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便～
Scrapy 使用 Twisted这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。整体架构如下图所示：
绿线是数据流向，首先从初始URL 开始，Scheduler 会将其交给 Downloader 进行下载，下载之后会交给 Spider 进行分析，Spider分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回 Scheduler ；另一种是需要保存的数据，它们则被送到Item Pipeline 那里，那是对数据进行后期处理（详细分析、过滤、存储等）的地方。另外，在数据流动的通道里还可以安装各种中间件，进行必要的处理。
我假定你已经安装了Scrapy。假如你没有安装,你可以参考这篇文章。
在本文中，我们将学会如何使用Scrapy建立一个爬虫程序，并爬取指定网站上的内容
1. 创建一个新的Scrapy Project
2. 定义你需要从网页中提取的元素Item
3.实现一个Spider类，通过接口完成爬取URL和提取Item的功能
4. 实现一个Item PipeLine类，完成Item的存储功能
我将会用腾讯招聘官网作为例子。
Github源码：https://github.com/maxliaops/scrapy-itzhaopin
目标：抓取腾讯招聘官网职位招聘信息并保存为JSON格式。
新建工程
首先，为我们的爬虫新建一个工程，首先进入一个目录（任意一个我们用来保存代码的目录），执行：
scrapy startprojectitzhaopin
最后的itzhaopin就是项目名称。这个命令会在当前目录下创建一个新目录itzhaopin，结构如下：
.
├── itzhaopin
│ ├── itzhaopin
│ │ ├── __init__.py
│ │ ├── items.py
│ │ ├── pipelines.py
│ │ ├── settings.py
│ │ └── spiders
│ │└── __init__.py
│ └── scrapy.cfg
scrapy.cfg: 项目配置文件
items.py: 需要提取的数据结构定义文件
pipelines.py:管道定义，用来对items里面提取的数据做进一步处理，如保存等
settings.py: 爬虫配置文件
spiders: 放置spider的目录
定义Item
在items.py里面定义我们要抓取的数据：
- fromscrapy.itemimportItem,Field
- classTencentItem(Item):
- name=Field()#职位名称
- catalog=Field()#职位类别
- workLocation=Field()#工作地点
- recruitNumber=Field()#招聘人数
- detailLink=Field()#职位详情页链接
- publishTime=Field()#发布时间
实现Spider
Spider是一个继承自scrapy.contrib.spiders.CrawlSpider的Python类，有三个必需的定义的成员
name: 名字，这个spider的标识
start_urls:一个url列表，spider从这些网页开始抓取
parse():一个方法，当start_urls里面的网页抓取下来之后需要调用这个方法解析网页内容，同时需要返回下一个需要抓取的网页，或者返回items列表
所以在spiders目录下新建一个spider，tencent_spider.py:
- importre
- importjson
- fromscrapy.selectorimportSelector
- try:
- fromscrapy.spiderimportSpider
- except:
- fromscrapy.spiderimportBaseSpiderasSpider
- fromscrapy.utils.responseimportget_base_url
- fromscrapy.utils.urlimporturljoin_rfc
- fromscrapy.contrib.spidersimportCrawlSpider,Rule
- fromscrapy.contrib.linkextractors.sgmlimportSgmlLinkExtractorassle
- fromitzhaopin.itemsimport*
- fromitzhaopin.misc.logimport*
- classTencentSpider(CrawlSpider):
- name="tencent"
- allowed_domains=["tencent.com"]
- start_urls=[
- "http://hr.tencent.com/position.php"
- ]
- rules=[#定义爬取URL的规则
- Rule(sle(allow=("/position.php\?&start=\d{,4}#a")),follow=True,callback='parse_item')
- ]
- defparse_item(self,response):#提取数据到Items里面，主要用到XPath和CSS选择器提取网页数据
- items=[]
- sel=Selector(response)
- base_url=get_base_url(response)
- sites_even=sel.css('table.tablelisttr.even')
- forsiteinsites_even:
- item=TencentItem()
- item['name']=site.css('.l.squarea').xpath('text()').extract()
- relative_url=site.css('.l.squarea').xpath('@href').extract()[0]
- item['detailLink']=urljoin_rfc(base_url,relative_url)
- item['catalog']=site.css('tr>td:nth-child(2)::text').extract()
- item['workLocation']=site.css('tr>td:nth-child(4)::text').extract()
- item['recruitNumber']=site.css('tr>td:nth-child(3)::text').extract()
- item['publishTime']=site.css('tr>td:nth-child(5)::text').extract()
- items.append(item)
- #printrepr(item).decode("unicode-escape")+'\n'
- sites_odd=sel.css('table.tablelisttr.odd')
- forsiteinsites_odd:
- item=TencentItem()
- item['name']=site.css('.l.squarea').xpath('text()').extract()
- relative_url=site.css('.l.squarea').xpath('@href').extract()[0]
- item['detailLink']=urljoin_rfc(base_url,relative_url)
- item['catalog']=site.css('tr>td:nth-child(2)::text').extract()
- item['workLocation']=site.css('tr>td:nth-child(4)::text').extract()
- item['recruitNumber']=site.css('tr>td:nth-child(3)::text').extract()
- item['publishTime']=site.css('tr>td:nth-child(5)::text').extract()
- items.append(item)
- #printrepr(item).decode("unicode-escape")+'\n'
- info('parsed'+str(response))
- returnitems
- def_process_request(self,request):
- info('process'+str(request))
- returnrequest
实现PipeLine
PipeLine用来对Spider返回的Item列表进行保存操作，可以写入到文件、或者数据库等。
PipeLine只有一个需要实现的方法：process_item，例如我们将Item保存到JSON格式文件中：
pipelines.py
- fromscrapyimportsignals
- importjson
- importcodecs
- classJsonWithEncodingTencentPipeline(object):
- def__init__(self):
- self.file=codecs.open('tencent.json','w',encoding='utf-8')
- defprocess_item(self,item,spider):
- line=json.dumps(dict(item),ensure_ascii=False)+"\n"
- self.file.write(line)
- returnitem
- defspider_closed(self,spider):
- self.file.close(
- )
到现在，我们就完成了一个基本的爬虫的实现，可以输入下面的命令来启动这个Spider:
scrapy crawl tencent
爬虫运行结束后，在当前目录下将会生成一个名为tencent.json的文件，其中以JSON格式保存了职位招聘信息。
部分内容如下：
{"recruitNumber": ["1"], "name": ["SD5-资深手游策划（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15626&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["产品/项目类"], "workLocation": ["深圳"]}{"recruitNumber": ["1"], "name": ["TEG13-后台开发工程师（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15666&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["深圳"]}
{"recruitNumber": ["2"], "name": ["TEG12-数据中心高级经理（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15698&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["深圳"]}
{"recruitNumber": ["1"], "name": ["GY1-微信支付品牌策划经理（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15710&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["市场类"], "workLocation": ["深圳"]}
{"recruitNumber": ["2"], "name": ["SNG06-后台开发工程师（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15499&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["深圳"]}
{"recruitNumber": ["2"], "name": ["OMG01-腾讯时尚视频策划编辑(北京)"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15694&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["内容编辑类"], "workLocation": ["北京"]}
{"recruitNumber": ["1"], "name": ["HY08-QT客户端Windows开发工程师(深圳)"], "detailLink": "http://hr.tencent.com/position_detail.php?id=11378&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["深圳"]}
{"recruitNumber": ["5"], "name": ["HY1-移动游戏测试经理（上海）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15607&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["技术类"], "workLocation": ["上海"]}
{"recruitNumber": ["1"], "name": ["HY6-网吧平台高级产品经理（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=10974&keywords=&tid=0&lid=0", "publishTime": ["2014-04-25"], "catalog": ["产品/项目类"], "workLocation": ["深圳"]}
{"recruitNumber": ["4"], "name": ["TEG14-云存储研发工程师（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=15168&keywords=&tid=0&lid=0", "publishTime": ["2014-04-24"], "catalog": ["技术类"], "workLocation": ["深圳"]}
{"recruitNumber": ["1"], "name": ["CB-薪酬经理（深圳）"], "detailLink": "http://hr.tencent.com/position_detail.php?id=2309&keywords=&tid=0&lid=0", "publishTime": ["2013-11-28"], "catalog": ["职能类"], "workLocation": ["深圳"]}