python-scrapy爬取某招聘网站(二)

首先要准备python3+scrapy+pycharm

一、首先让我们了解一下网站

拉勾网https://www.lagou.com/

和Boss直聘类似的网址设计方式，与智联招聘不同，它采用普通的页面加载方式

我们采用scrapy中的crawlspider爬取

二、创建爬虫程序

scrapy startproject lagou

创建爬虫文件

scrapy genspider -t crawl zhaopin "www.lagou.com"

由此爬虫程序创建完毕

三、编写爬虫程序

出于演示和测试，我们这次只爬取一条数据。

items文件

import scrapy

class BossItem(scrapy.Item):
    # 岗位名称
    jobName = scrapy.Field()

zhaopin.py爬虫文件

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from boss.items import BossItem


class ZhipinSpider(CrawlSpider):
    name = 'zhipin'
    allowed_domains = ['www.lagou.com']
    start_urls = ['https://www.lagou.com']

    rules = (
        Rule(LinkExtractor(allow=r'com/zhaopin/\w+/'), callback='zhilianParse', follow=False),　　#采用正则匹配的方式，获取网页url
    )

    def zhilianParse(self, response):
        datas = response.xpath('//ul[@class="item_con_list"]/li')　　#通过xpath方式获取要爬取的域
        for data in datas:　　#逐层迭代
            item = BossItem()
            # 岗位名称
            item["jobName"] = data.xpath('//div//div/a/h3[1]/text()').get()　　#定位爬取信息
            yield item　　#rule会迭代所有的url不需要再写回调函数

管道文件

import json
import os


class BossPipeline(object):
    def __init__(self):
 self.filename = open("Boss.json", "wb")
 self.path = "G:\images\p"
 if not os.path.exists(self.path):
 os.mkdir(self.path)　　#判断路径
 
 def process_item(self, item, spider):
 # 岗位名称
 jobName = item['jobName']
 js = json.dumps(dict(item), ensure_ascii=False) + "\n"

 self.filename.write(js.encode("utf-8"))
 return item

 def __close__(self):
 self.filename.close()

配置settings文件

DEFAULT_REQUEST_HEADERS = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36',
}

ITEM_PIPELINES = {
   'boss.pipelines.BossPipeline': 300,
}

LOG_FILE="log.log"　　#放日志文件用的，可有可无

ROBOTSTXT_OBEY = False

四、启动爬虫

scrapy crawl zhaopin

爬取结果

 

 在第一篇文章中讲了如何存入mysql，这里我就不多赘述了，大家自行查阅。