python爬虫（二十二）scrapy案例--爬取腾讯招聘数据

scrapy爬取腾讯招聘数据

需求分析

爬取腾讯招聘–社会招聘–技术类的工作岗位，实现翻页的爬取

页面分析

复制任意职位名称，点右键，查看网页源代码，在里面并未找到相关内容，说明页面不是静态加载出来的，是动态加载出来的。点击Network —> XHR，刷新页面，在左侧name下出现4个文件，依次点击查找数据接口，在Query开头的文件中Preview中可以看到需要的职位名称，因此这个文件下Headers里的url就是我们需要爬取的url。


当我们点击页面尾部下一页的时候，在name下面出另加载出来一个Query开头的文件，依次点开几页，我们可以从url中找到规律。
https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1632126706522&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=40001&attrId=&keyword=&pageIndex=1&pageSize=10&language=zh-cn&area=cn 第一页
https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1632127143042&countryId=&cityId=&bgIds=&productId=&categoryId=40001001,40001002,40001003,40001004,40001005,40001006&parentCategoryId=&attrId=&keyword=&pageIndex=2&pageSize=10&language=zh-cn&area=cn 第二页
https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1632127244688&countryId=&cityId=&bgIds=&productId=&categoryId=40001001,40001002,40001003,40001004,40001005,40001006&parentCategoryId=&attrId=&keyword=&pageIndex=3&pageSize=10&language=zh-cn&area=cn 第三页

timestamp是时间戳，是访问页面的时间
按照第三页的url，把pageIndex改为1，同样能访问到第一页，说明 做翻页处理时候pageIndex=n，代表的是第n页。
复制任一页的网页打开后

我们可以发现要爬取的数据是以字典的形式存放在网页代码中，访问的url就是要爬取的url。

代码实现

实现对职位、地区、工作职责、详情页url的爬取

创建scrapy文件，这里是在cmd下创建的，我的爬虫文件在D盘，也可以在pycharm中的Terminal中直接创建。

start.py
from scrapy import cmdline

# cmdline.execute(['scrapy', 'crawl', 'TXhr'])  # 方法一
cmdline.execute('scrapy crawl TXhr'.split(" "))  # 方法二

items.py
import scrapy
class TencentItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    RecruitPostName = scrapy.Field()
    LocationName = scrapy.Field()
    Responsibility = scrapy.Field()
    PostURL = scrapy.Field()

LOG_LEVEL = 'WARNING'
BOT_NAME = 'tencent'

SPIDER_MODULES = ['tencent.spiders']
NEWSPIDER_MODULE = 'tencent.spiders'

ROBOTSTXT_OBEY = False

DEFAULT_REQUEST_HEADERS = {
     
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.107 Safari/537.36 Edg/92.0.902.62'
}
ITEM_PIPELINES = {
     
   'tencent.pipelines.TencentPipeline': 300,
}

pipelines.py
import json
import csv
class TencentPipeline:
    def process_item(self, item, spider):
        item_lis = []
        # item_json = json.dumps(dict(item), ensure_ascii=False)
        # print(item_json)
        item_lis.append(dict(item))
        # print(item_lis)
        header = ['RecruitPostName', 'LocationName', 'Responsibility', 'PostURL']
        with open('tx.csv', 'a', encoding='utf-8', newline="") as f:
            writ = csv.DictWriter(f, header)

            writ.writeheader()
            writ.writerows(item_lis)
        return item

TXhr.py
import scrapy
from tencent.items import TencentItem
class TxhrSpider(scrapy.Spider):
    name = 'TXhr'
    allowed_domains = ['tencent.com']
    # 可以在列表中存放多个url
    start_urls = ['https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1632126706522&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=40001&attrId=&keyword=&pageIndex=1&pageSize=10&language=zh-cn&area=cn',
                  'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1632126706522&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=40001&attrId=&keyword=&pageIndex=2&pageSize=10&language=zh-cn&area=cn',
                  'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1632126706522&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=40001&attrId=&keyword=&pageIndex=3&pageSize=10&language=zh-cn&area=cn',
                  'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1632126706522&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=40001&attrId=&keyword=&pageIndex=4&pageSize=10&language=zh-cn&area=cn']

    def parse(self, response):
        posts = response.json()['Data']['Posts']
        for post in posts:
            item = TencentItem(RecruitPostName=post['RecruitPostName'], LocationName=post['LocationName'], Responsibility=post['Responsibility'].strip(), PostURL=post['PostURL'])
            # print(item)
            yield item

自动翻页的实现

import scrapy
from tencent.items import TencentItem
class TxhrSpider(scrapy.Spider):
    name = 'TXhr'
    allowed_domains = ['tencent.com']
    every_url = 'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1632126706522&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=40001&attrId=&keyword=&pageIndex={}&pageSize=10&language=zh-cn&area=cn'
    start_urls = [every_url.format(1)]

    def parse(self, response):
        posts = response.json()['Data']['Posts']
        for job_post in posts:
            item = TencentItem()
            item['title'] = job_post['RecruitPostName']
            post_id = job_post['postId']

            # yield scrapy.Request(
            #     url=self.every_url.format(2),
            #     # self.parse后面不要有括号
            #     callback=self.parse
            # )
            # 实现翻页，解析完第一页之后，进行翻页处理，然后调用上面的解析函数继续处理
        for page in range(2,5):
            next_url = self.every_url.format(page)
            yield scrapy.Request(
                url=next_url,
                # 如果用到的解析函数还是当前的解析函数的话，可以不用回调函数
                # callback=self.parse
            )

以上代码实现了，对职位、地区、工作职责、详情页url的爬取。

实现每个岗位详情页工作要求的爬取

下面的代码要实现对详情页工作要求的爬取。
复制详情页的工作要求去网页源码中查看，发现详情页工作要求的数据不在网页源码中，是动态加载出来的。可以通过点右键，检查，Network，XHR中Preview查找数据。

通过检查，可以看到工作要求数据存放在ypostld?开头的文件中，复制几个岗位的url。https://careers.tencent.com/tencentcareer/api/post/ByPostId?timestamp=1632409558647&postId=1272589455647055872&language=zh-cn
https://careers.tencent.com/tencentcareer/api/post/ByPostId?timestamp=1632409729213&postId=1272589329310425088&language=zh-cn

timestamp是时间戳，是页面访问的时间，可以看到不同职位url详情页的区别在于postId里的内容，而从第一次获取的数据可以看出postId存在于页面首页的字典里。

我们可以在第一次爬取的基础上，找到postId，拼接到爬取详情页的url中。

TXhr.py
import scrapy
from tencent.items import TencentItem
import json

class TxhrSpider(scrapy.Spider):
    name = 'TXhr'
    allowed_domains = ['tencent.com']
    # 起始页的url
    every_url = 'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1632126706522&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=40001&attrId=&keyword=&pageIndex={}&pageSize=10&language=zh-cn&area=cn'
    # 详情页的url
    detail_url = 'https://careers.tencent.com/tencentcareer/api/post/ByPostId?timestamp=1632409558647&postId={}&language=zh-cn'
    start_urls = [every_url.format(1)]
    # 解析列表页面数据的函数
    def parse(self, response):
        posts = response.json()['Data']['Posts']
        for job_post in posts:
            item = TencentItem()
            item['title'] = job_post['RecruitPostName']
            post_id = job_post['postId']
            # 拼接详情页的url
            new_detail_url = self.detail_url.format(post_id)
            # 发送新的请求，获取响应
            yield scrapy.Request(
                url=new_detail_url,
                # self.parse后面不要有括号
                callback=self.parse_detail,
                meta={
     'items': item}  # 用字典的格式进行数据传输，字典的value就是要传输的数据
                # key值是自己定义的变量，在函数中接收的时候就用key值接收
            )
            # 实现翻页，解析完第一页之后，进行翻页处理，然后调用上面的解析函数继续处理
        for page in range(2, 5):
            next_url = self.every_url.format(page)
            yield scrapy.Request(
                url=next_url,
                # 如果用到的解析函数还是当前的解析函数的话，可以不用回调函数
                # callback=self.parse
            )
    # 拿到拼接好的url，交给引擎yield，引擎给调度器入列，返回给引擎一个url，经过下载中间件给下载器，
    # 下载器发送请求获取响应，把获取到的response通过下载中间交给引擎，引擎通过爬虫中间件给爬虫程序，
    # 在解析函数中得到response的响应结果
    # 获取详情页面的工作职责
    def parse_detail(self,response):
        # 第一种数据接收方式
        # item = response.meta['items']
        # 第二种数据接收方式
        item = response.meta.get('items')
        # 把获取到的网页数据转为json格式
        data = json.loads(response.text)
        item['job_duty'] = data['data']['Requirement']
        print(item)