Scrapy爬虫实践之搜索并获取前程无忧职位信息（基础篇）

一、开发环境

       OS：Windows 7 64bit旗舰版        
       Python：2.7.10        
       Scrapy：1.0.3        
       MySQL：5.6.21        
       Sublime Text2：2.0.2        
       具体的开发环境配置这里就不介绍了，如需了解，欢迎与我交流。

二、目标

       通过在前程无忧的职位搜索中输入职位关键词获取相应的职位信息，现在我们通过Scrapy爬虫来实现这个功能，自动帮我们获取相关的职位信息，并保存成.json格式和保存到MySQL数据库。

三、实现步骤

      Scrapy是一个比较流行的Python爬虫框架，Scrapy爬虫的基本实现流程如下：

       1.通过scrapy startproject spiderproject 来创建一个新的爬虫工程，spiderproject是我们自己命名的爬虫工程。比如本例子，我们创建一个工程scrapy startproject qcwy，qcwy即为我们的工程名。

       2.定义我们要解析具体数据的Item结构，在items.py文件中。

       3.在pipelines.py中实现数据存储的功能，可以在这里实现我们抓取的数据保存在.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数据库中。

       4.在第1步创建的工程文件夹下的spider文件目录下创建一个新的后缀为.py的文件命名最好包含spider这个单词，因为我们要在这个文件中实现核心功能Spider。

       5.在setting.py中进行一些相关的设置。

     下面我们以详细实例说明如何以Scrapy实现我们的目的：

      1.在CMD中输入 cd c:\  进入c盘根目录

       2.输入scrapy startproject qcwy，我们可以看到在c盘根目录下看到qcwy这个文件夹（本文假如你的开发环境配置没有任何问题，具体配置请参照Scrapy文档）。

       进入qcwy文件夹后，可以看到还有一个qcwy的文件夹和一个scrapy.cfg项目配置文件，不用管它，继续进入qcwy这个文件夹，可以看到：

        3.定义我们要解析的数据的Item类

       实现items.py详细代码：

from scrapy.item import Item, Field

class QcwyItem(Item):
    #定义要抓取信息的Item结构
    title       = Field()   #职位名称
    link        = Field()   #详情链接
    company     = Field()   #公司名称   
    updatetime  = Field()   #更新时间

   4.实现pipelines.py的详细代码：

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的实现 

# -*- 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"
#把字符串编码成符合url规范的编码
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 = ""
        #从开始页面开始解析数据，开始页面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中输入cd c:\qcwy进入工程目录

       输入scrapy crawl qcwysearch

       然后查看生成的json文件，可以看到以下我们想要的信息：

{"company": "广东威法科技发展有限公司", "link": "http://search.51job.com/job/70631365,c.html", "updatetime": "2015-09-29", "title": "中级后端Python工程师"}
{"company": "珠海横琴新区盖网通传媒有限公司广州分公司", "link": "http://search.51job.com/job/69706486,c.html", "updatetime": "2015-09-29", "title": "开发工程师Python开发工程师"}
{"company": "广州明朝互动科技股份有限公司", "link": "http://search.51job.com/job/69898292,c.html", "updatetime": "2015-09-29", "title": "开发工程师Python开发工程师"}
{"company": "广州市赛酷比软件有限公司", "link": "http://search.51job.com/job/69816266,c.html", "updatetime": "2015-09-29", "title": "分布式软件架构师(Python..."}
{"company": "广州市赛酷比软件有限公司", "link": "http://search.51job.com/job/69816017,c.html", "updatetime": "2015-09-29", "title": "爬虫工程师Python爬虫工程师"}
{"company": "广州杰升信息科技有限公司", "link": "http://search.51job.com/job/51077705,c.html", "updatetime": "2015-09-29", "title": "工程师Python工程师"}
{"company": "广州飞屋网络科技有限公司", "link": "http://search.51job.com/job/71800002,c.html", "updatetime": "2015-09-29", "title": "开发工程师Python开发工程师"}
{"company": "广州飞屋网络科技有限公司", "link": "http://search.51job.com/job/59931502,c.html", "updatetime": "2015-09-29", "title": "开发工程师Python开发工程师"}
{"company": "广州达新信息科技有限公司", "link": "http://search.51job.com/job/69614188,c.html", "updatetime": "2015-09-29", "title": "开发工程师Python开发工程师"}
{"company": "广州埃立方通信技术有限公司", "link": "http://search.51job.com/job/71920362,c.html", "updatetime": "2015-09-29", "title": "软件工程师Python软件工程师"}
{"company": "广州黑珍珠计算机技术有限公司", "link": "http://search.51job.com/job/60592771,c.html", "updatetime": "2015-09-29", "title": "服务器端程序员Python服务器端程序员"}
{"company": "聚力精彩（北京）信息技术有限公司", "link": "http://search.51job.com/job/72246020,c.html", "updatetime": "2015-09-29", "title": "高级开发工程师AEBPython高级开发工程师AEB"}
{"company": "广州七乐康药业连锁有限公司", "link": "http://search.51job.com/job/71362309,c.html", "updatetime": "2015-09-29", "title": "中级开发工程师Python中级开发工程师"}
{"company": "广州七乐康药业连锁有限公司", "link": "http://search.51job.com/job/69404827,c.html", "updatetime": "2015-09-29", "title": " 初级开发工程师Python 初级开发工程师"}
{"company": "广州七乐康药业连锁有限公司", "link": "http://search.51job.com/job/69207304,c.html", "updatetime": "2015-09-29", "title": "资深开发工程师Python资深开发工程师"}
{"company": "贵州格安科技有限公司广州分公司", "link": "http://search.51job.com/job/63157264,c.html", "updatetime": "2015-09-29", "title": "高级Python开发工程师"}
{"company": "贵州格安科技有限公司广州分公司", "link": "http://search.51job.com/job/60035771,c.html", "updatetime": "2015-09-29", "title": " 开发工程师Python 开发工程师"}
{"company": "珠海麒润网络科技有限公司", "link": "http://search.51job.com/job/51153619,c.html", "updatetime": "2015-09-29", "title": "PHP/Python开发工程师"}
{"company": "广州百伦贸易有限公司", "link": "http://search.51job.com/job/71097137,c.html", "updatetime": "2015-09-29", "title": "开发工程师Python开发工程师"}
{"company": "广州暴雨网络技术有限公司", "link": "http://search.51job.com/job/69546409,c.html", "updatetime": "2015-09-29", "title": "服务端开发工程师Python服务端开发工程师"}

通过phpMyAdmin来查看MySQL数据库，可以看到：

       8.完整源码地址：  https://github.com/vrrobot/qcwy

       四、后记         这篇到这里就结束了，网络爬虫这个技术作为一个非常常规的获取信息的手段，当然如果用作生产工具的话，还有一些不足的地方。比如：如何使爬虫的行为更像我们在使用浏览器在浏览信息。接下来，还会有本篇的后续进阶篇。