使用scrapy+mysql爬取拉勾网移动端页面

@hcolde 字数 4061

使用scrapy+mysql爬取拉勾网移动端页面

---

前期准备：

• Python3.6
• virtualenv ( pip install virtualenv )
• Scrapy ( pip install Scrapy )
• PyMySQL ( pip install pymysql )
• Mysql服务器

---

1. 搜索职位页面

https://m.lagou.com/search.json?city=广州&positionName=python&pageNo=1

1.1 参数说明：

• city：搜索的城市
• positionName：职位名称
• pageNo：页码

1.2 返回数据：

1.3数据处理：

• pageSize 每页显示多少个职位信息。 ( json->content->data->page->pageSize )
• totalCount 总共有多少个职位。 ( json->content->data->page->totalCount )
• positionId 职位id，打开职位详情页面需要的参数，返回的类型为int型。 ( json->content->data->page->result[]->positionId )

以上是重要的数据，至于其他数据可选择性收集。

根据pageSize和totalCount可计算需要爬取多少个页面，代码如下：

1. pages = totalPage//pageSize
2. pages = pages+1 if totalPage%pageSize else pages

1.4 操作数据库

1. import pymysql
3. host = '127.0.0.1' # 数据库服务器.
4. user = 'root' # 数据库用户.
5. password = '' # 该用户的密码.
6. dbName = 'lg' # 数据库名.
7. cursor = None
8. tyr:
9. db = pymysql.connect(host=host, user=user, password=password, db=dbName)
10. except Exception as e:
11. print(e)
12. else:
13. cursor = db.cursor() # 创建游标对象.
15. # 创建表.
16. sql = '''
17. CREATE TABLE IF NOT EXISTS `job`(
18. `positionId` INT,
19. `positionName` VARCHAR(50),
20. `salary` VARCHAR(10),
21. `createTime` VARCHAR(10),
22. `companyFullName` VARCHAR(50),
23. PRIMARY KEY (`positionId`)
24. )
25. '''
26. sql = sql.replace('\t', '').replace('\n', '') # 消掉sql里的制表符和换行符.
27. if cursor:
28. try：
29. cursor.execute(sql)
30. except Exception as e:
31. print(e)
33. # 插入数据.
34. sql = '''
35. INSERT INTO `job`(
36. `positionId`,
37. `positionName`,
38. `salary`,
39. `createTime`,
40. `companyFullName`
41. ) VALUES (%d, '%s', '%s', '%s', '%s')
42. ''' % (positionId, name, salary, time, company)
43. if cursor:
44. try:
45. cursor.execute(sql)
46. db.commit() # 提交到数据库执行.
47. except Exception as e:
48. print(e)

2. 职位详情页面

https://m.lagou.com/jobs/1234.html

2.1 参数说明：

• 该链接中的1234为positionId。

2.2 返回数据：

该链接返回的是html，因此可以使用css选择器或xpath选择器对html中的数据进行采集。

返回的部分html如下：

1. class="detail">
2. class="items">
3. class="item salary"> class="icon"> class="text">8k-15k
4. class="item workaddress"> class="icon"> class="text">北京
5. class="item jobnature"> class="icon"> class="text">全职
6. class="item workyear"> class="icon"> class="text">3-5年
7. class="item education"> class="icon"> class="text"> 学历不限

1. class="content">

2. 岗位职责：  />负责Android手机客户端开发。

3. />

4. />任职要求：  />1、熟练的Java 编程经验，扎实的计算机知识基础，丰富的实际代码编写经验；  />2、精通Android系统架构及相关技术，1年以上实际 Android平台开发经验；  />3、具备团队合作精神，有良好的沟通及协调能力；  />4、积极主动，具备独立解决问题及自我学习能力。

2.3 数据处理

• 获取工作经验信息：

1. workyear = response.xpath('//div[@class="items"]/span[@class="item workyear"]/span[@class="text"]/text()').extract_first()

• 获取岗位职责信息：

1. content = response.xpath('//div[@class="content"]/p/text()').extract()

div[@class="content"]下有多个p标签，所以获取到的信息为列表形式。

html中有多余的制表符，换行符和br标签等等，要将这些去掉。

1. # str.split()将字符串中所有的空格符作为分隔符，分割为list.
2. # ''.join(list) 将list以无间隔的形式组合起来.
3. # 两种方法结合，可去掉多余的制表符，换行符和br标签等空格符.
4. workyear = ''.join(workyeay.split())
5. content = ''.join(content) # 因为content为list类型，需要先以无间隔的形式组合成字符串.
6. content = ''.join(content.split()) # 再用老方法那啥.

2.4 操作数据库

• 按照1.4的方法创建个job_detail数据表。
• 从job数据表中获取所有的positionId。

1. sql = 'SELECT DISTINCT `positionId` FROM `job`'
2. if cursor:
3. try:
4. cursor.execute(sql)
5. result = cursor.fetchall()
6. except Exception as e:
7. print(e)

• 查看job_detail已保存了哪些职位详情信息。 
  (已保存的就不再爬取)

1. id_list = []
2. sql = 'SELECT `positionId` FROM `job_detail`'
3. if cursor:
4. try:
5. cursor.execute(sql)
6. data = cursor.fetchall()
7. except Exception as e:
8. print(e)
9. else:
10. for d in data:
11. id_list.append(d['positionId'])

• 构建需要爬取的url

1. urls = []
2. for r in result:
3. if r['positionId'] not in id_list:
4. url = 'https://m.lagou.com/jobs/' + str(r['positionId']) + '.html' # 别忘了positionId是int型.
5. urls.append(url)

• 将url交给scrapy

1. def start_requests(self):
2. for url in urls:
3. # dont_Filter默认为False，为True时可重复爬取同一页面，不然scrapy自动帮你无视已爬取的页面.
4. # 当爬虫不断爬取时，容易被网站服务器拒绝访问，所以当返回的status不为200时，之后再重复爬取该页面.
5. yield scrapy.request(url=url, dont_filter=True)

默认情况下，Scrapy对响应状态为非20x的页面不进行任何处理。
所以如果要处理响应状态为302，404，502，504这些页面时，需要在爬虫中定义：

1. handle_httpstatus_list = [302, 404, 407, 502, 504]

结果展示

1. SELECT positionId, positionName 职位, salary 工资, createTime 发布时间, companyFullName 公司, FROM job;

1. SELECT
2. job.companyFullName 公司,
3. job.positionName 职位,
4. job.salary 薪资,
5. job.createTime 发布时间,
6. job_detail.workyear 工作经验,
7. substring_index(job_detail.info, '/', -1) 公司相关信息,
8. left(job_detail.content, 25) 职位描述
9. FROM job_detail
10. LEFT JOIN job on job.positionId=job_detail.positionId;

说明

1. substring_index(str,delim,count): 将str以delim作为分割符进行截取，获取截取后第count个内容。
2. left(str, conut): 获取str从左边起的count个字符。

结语

大致的处理过程就是这样，其中还可以开启多线程来存取数据，主线程就爬取网页。

该项目保存地址badboy

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/hcolde/article/details/80696841