Python笔记：爬虫框架Scrapy抓取数据案例实战解析包含项目代码

概述

本项目通过Scrapy框架的爬虫实战案例来巩固练习

任务：

• 爬取careers.tencent.com中关于指定条件的所有社会招聘信息
• 搜索条件为中国
• AI关键字的就业岗位
• 并将信息存储到MySql数据库中
• 地址：https://careers.tencent.com

步骤：

• 首先爬取每页的招聘信息列表
• 再爬取对应的招聘详情信息

分析：

方案1

• 经过页面分析详情页所需id可在列表页分享下结构的div中获取(如果页面上没有具体链接地址，那么跳转程序就很可能在js脚本中或者跳转地址在接口数据中)

• 打开源代码查看，发现代码非常少，经过构建程序处理过，并且所有数据都是后加载出来的

• 此方案不可取

  ---

  （方案1 图例）

方案2

• 解析ajax请求数据并进行处理

• 列表接口举例：https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1578972041752&countryId=1&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex=1&pageSize=10&language=zh-cn&area=cn

• 简化列表接口请求参数：https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1578972041752&keyword=AI&pageIndex=1&pageSize=10&language=zh-cn&area=cn

• 详情页数据接口举例：https://careers.tencent.com/tencentcareer/api/post/ByPostId?timestamp=1578975250208&postId=1123176781948391424&language=zh-cn

• 经分析我们可以从列表页接口中拿id, 从详情页接口中获取数据即可

• 此接口可直接访问，没做反爬和权限验证处理, 如下图

• 此方案可行

  
  

  （方案2 图例）

备注：

• 因时间问题可能会导致技术和网站结构变更，从而导致代码失效，本文只提供设计思路！
• 点击此处查看代码仓库

创建项目

• 在命令行编写下面命令，创建项目 job, $scrapy startproject job
• 项目目录结构：

  job
  ├── job
  │   ├── __init__.py
  │   ├── __pycache__
  │   ├── items.py        # Items的定义，定义抓取的数据结构
  │   ├── middlewares.py  # 定义Spider和DownLoader的Middlewares中间件实现。 
  │   ├── pipelines.py    # 它定义Item Pipeline的实现，即定义数据管道
  │   ├── settings.py     # 它定义项目的全局配置
  │   └── spiders         # 其中包含一个个Spider的实现，每个Spider都有一个文件
  │       ├── __init__.py
  │       └── __pycache__
  └── scrapy.cfg    #Scrapy部署时的配置文件，定义了配置文件路径、部署相关信息等内容
  

进入项目目录，创建爬虫spider类文件

• 执行genspider命令，第一个参数是Spider的名称，第二个参数是网站域名。$ scrapy genspider careers careers.tencent.com
• 新的目录结构

  ├── job
  │   ├── __init__.py
  │   ├── __pycache__
  │   │   ├── __init__.cpython-36.pyc
  │   │   └── settings.cpython-36.pyc
  │   ├── items.py
  │   ├── middlewares.py
  │   ├── pipelines.py
  │   ├── settings.py
  │   └── spiders
  │       ├── __init__.py
  │       ├── __pycache__
  │       │   └── __init__.cpython-36.pyc
  │       └── careers.py  #在spiders目录下有了一个爬虫类文件careers.py
  └── scrapy.cfg
  

创建Item

• Item是保存爬取数据的容器，它的使用方法和字典类型，但相比字典多了些保护机制。

• 创建Item需要继承scrapy.Item类，并且定义类型为scrapy.Field的字段：

  • 职位id号，名称、位置、类别、职责、要求
  • 具体代码如下：（创建一个类名为CareersItem）

  # -*- coding: utf-8 -*-
  
  # Define here the models for your scraped items
  #
  # See documentation in:
  # https://docs.scrapy.org/en/latest/topics/items.html
  
  import scrapy
  
  class JobItem(scrapy.Item):
      # define the fields for your item here like:
      # name = scrapy.Field()
      pass
  
  class CareersItem(scrapy.Item):
      '''
      人事招聘信息封装类
      （职位id号，名称、位置、类别、职责、要求）
      '''
      table = "careers"  #表名
      id = scrapy.Field() 
      name = scrapy.Field()
      location = scrapy.Field()
      cate = scrapy.Field()
      duty = scrapy.Field()
      requirement = scrapy.Field()
  
  

解析Response

• 在careers.py文件中，parse()方法的参数response是start_urls里面的链接爬取后的结果。

• 如果是纯粹爬取页面，那么提取的方式可以是CSS选择器、XPath选择器或者是re正则表达式，但是目前我们是爬取ajax数据，直接解析接口数据即可

  # -*- coding: utf-8 -*-
  import scrapy, time, json
  from job.items import CareersItem
  
  class CareersSpider(scrapy.Spider):
      name = 'careers'
      allowed_domains = ['careers.tencent.com']
      pageSize = 10
      p = 1 # 当前页数
      start_urls = ['https://careers.tencent.com/tencentcareer/api/post/Query?keyword=AI&language=zh-cn&area=cn&pageSize='+ str(pageSize) +'&pageIndex=1×tamp=' + str(int(round(time.time() * 1000)))]
  
      def parse(self, response):
          #解析当前招聘列表信息的url地址：
          # print('=' * 60)
          obj = json.loads(response.text)
          if obj['Code'] != 200:
              print('list error occur: ' + response.text)
              return
          data = obj['Data']
          count = data['Count'] # 总数
          posts = data['Posts'] # 当前数据
          # print(posts)
          # 开始批量请求【详情页】接口
          for ps in posts:
              pid = ps.get('PostId')
              if pid:
                  detail_url = 'https://careers.tencent.com/tencentcareer/api/post/ByPostId?language=zh-cn×tamp=' + str(int(round(time.time() * 1000))) + '&postId=' + pid
                  url = response.urljoin(detail_url)
                  yield scrapy.Request(url = url, callback = self.parseNext)
  
          self.p += 1 # 自增处理
          # 例：如果有32条，每页有10条，那么最多爬取4次
          # 爬取完所有的数据 向上取整 进行比较，符合条件请求下一个列表页的数据
          if -(-count // self.pageSize) >= self.p:
              next_url = 'https://careers.tencent.com/tencentcareer/api/post/Query?keyword=AI&language=zh-cn&area=cn&pageSize='+ str(self.pageSize) +'&pageIndex='+ str(self.p) +'×tamp=' + str(int(round(time.time() * 1000)))
              url = response.urljoin(next_url)
              yield scrapy.Request(url = url, callback = self.parse)
  
      def parseNext(self, response):
          obj = json.loads(response.text)
          if obj['Code'] != 200:
              print('detail error occur: ' + response.text)
              return
          data = obj['Data']
          item = CareersItem()
          item["name"] = data['RecruitPostName']
          item["location"] = data['LocationName']
          item["cate"] = data['CategoryName']
          item["duty"] = data['Responsibility']
          item["requirement"] = data['Requirement']
          yield item
  
  

创建数据库和表

• 在mysql中创建数据库job和数据表careers

  SET NAMES utf8mb4;
  SET FOREIGN_KEY_CHECKS = 0;
  
  -- ----------------------------
  --  Table structure for `careers`
  -- ----------------------------
  DROP TABLE IF EXISTS `careers`;
  CREATE TABLE `careers` (
  `id` int(10) unsigned NOT NULL AUTO_INCREMENT,
  `name` varchar(255) DEFAULT NULL,
  `location` varchar(255) DEFAULT NULL,
  `cate` varchar(255) DEFAULT NULL,
  `duty` varchar(1000) DEFAULT NULL,
  `requirement` varchar(1000) DEFAULT NULL,
  PRIMARY KEY (`id`)
  ) ENGINE=InnoDB AUTO_INCREMENT=376 DEFAULT CHARSET=utf8;
  

使用Item Pipeline

• 在Item管道文件中，定义一个MysqlPipeline，负责连接数据库并执行信息写入操作

  # -*- coding: utf-8 -*-
  
  # Define your item pipelines here
  #
  # Don't forget to add your pipeline to the ITEM_PIPELINES setting
  # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
  
  import pymysql
  
  class JobPipeline(object):
      def process_item(self, item, spider):
          return item
  
  class MysqlPipeline(object):
      def __init__(self,host,user,password,database,port):
          self.host = host
          self.user = user
          self.password = password
          self.database = database
          self.port = port
  
      @classmethod
      def from_crawler(cls,crawler):
          return cls(
              host = crawler.settings.get("MYSQL_HOST"),
              user = crawler.settings.get("MYSQL_USER"),
              password = crawler.settings.get("MYSQL_PASS"),
              database = crawler.settings.get("MYSQL_DATABASE"),
              port = crawler.settings.get("MYSQL_PORT"),
          )
  
      def open_spider(self, spider):
          '''负责连接数据库'''
          self.db = pymysql.connect(self.host,self.user,self.password,self.database,charset="utf8",port=self.port)
          self.cursor = self.db.cursor()
  
      def process_item(self, item, spider):
          '''执行数据表的写入操作'''
          #组装sql语句
          data = dict(item)
          keys = ','.join(data.keys())
          values=','.join(['%s'] * len(data))
          sql = "insert into %s(%s) values(%s)"%(item.table,keys,values)
          #指定参数，并执行sql添加
          self.cursor.execute(sql,tuple(data.values()))
          #事务提交
          self.db.commit()
          return item
  
      def close_spider(self, spider):
          '''关闭连接数据库'''
          self.db.close()
  
  

修改配置文件

• 打开配置文件：settings.py 开启并配置ITEM_PIPELINES信息，配置数据库连接信息

• 当有CONCURRENT_REQUESTS，没有DOWNLOAD_DELAY 时，服务器会在同一时间收到大量的请求。

• 当有CONCURRENT_REQUESTS，有DOWNLOAD_DELAY 时，服务器不会在同一时间收到大量的请求。

  # 忽略爬虫协议
  ROBOTSTXT_OBEY = False
  
  # 并发量
  CONCURRENT_REQUESTS = 1 
  
  #下载延迟
  DOWNLOAD_DELAY = 0
  
  ITEM_PIPELINES = {
         
      #'job.pipelines.JobPipeline': 300,
      'job.pipelines.MysqlPipeline': 301
  }
  
  MYSQL_HOST = 'localhost'
  MYSQL_DATABASE = 'job' # 数据库名称
  MYSQL_USER = 'root' # 用户名称
  MYSQL_PASS = '123456_mysql' # 你的登录密码
  MYSQL_PORT = 3306
  

开始执行爬取

$ scrapy crawl careers

爬取结果(数据库信息截图)