Python爬虫进阶（八）——爬虫Scrapy实战之爬取腾讯招聘信息

前面咱们介绍了scrapy框架的使用，今天就来实战，爬取一下腾讯招聘的职位信息。

一、分析url
二、创建scrapy项目并生成爬虫
三、提取数据
四、保存数据

一、分析url

先确定url，这是网站的url：

url = 'https://careers.tencent.com/search.html'

咱们的需求是获取职位的名称、下面的工作职责、工作需求，并实现翻页操作。

分析网页源代码，发现这些信息都不在源码中，考虑使用抓包工具，进入network，刷新后出现一个带有“query”的文件，可以从中找到咱们想要的信息。因此，现在的url就是要作为起始的url：

起始url（列表页，总的职位信息页面）为：

one_url = 'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1598155090173&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex=1&pageSize=10&language=zh-cn&area=cn'

同样的方法，能找到起始url（详情页，单个职位的具体信息页面）为：

two_url = 'https://careers.tencent.com/tencentcareer/api/post/ByPostId?timestamp=1598168153899&postId=1228141057842089984&language=zh-cn'

二、创建scrapy项目并生成爬虫

现在，通过terminal终端创建一个scrapy项目：
scrapy startproject tencent

创建爬虫 ：scrapy genspider hr tencent.com

此时，咱们的scrapy爬虫框架就建好了，接下来进行相应的修改。

点开爬虫文件hr.py，把上一步确定的起始url添加到start_urls中

三、提取数据

1.对setting文件进行设置

为了不让其他信息显示出来干扰数据，设置中加入如下字段:

LOG_LEVEL = 'WARNING'

如下图:

2.添加start文件

在总目录下添加start.py文件，用于运行爬虫。

start文件代码如下：

from scrapy import cmdline

cmdline.execute(['scrapy','crawl','hr'])

右键run运行。

结果如下：

可以看到，数据已经获取到了。要做进一步处理。

3.对解析函数parse()进行定义

因为要实现翻页操作，因此要对每一页的url进行遍历，在parse()中，这部分代码如下（要爬取1-10页）：

import scrapy
import json     # 后面要用到json数据转换为字典

class HrSpider(scrapy.Spider):
    name = 'hr'
    allowed_domains = ['tencent.com']
    
    # 列表页（收集职位信息的页面）
    one_url = 'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1598155090173&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={}&pageSize=10&language=zh-cn&area=cn'
    start_urls = [one_urls.format(1)]		# 格式化起始url（第一页）

	# 详情页（具体职位的信息页面）
	two_url = 'https://careers.tencent.com/jobdesc.html?postId={}'
    
    def parse(self, response):
        for page in range(1,11):
        	# 遍历访问10个页码url
            list_url = self.one_url.format(page)  
            
            # 请求返回数据
            yield scrapy.Request(
					url=list_url,
					# 将响应结果传到下面的parse_one函数中
                    callback=self.parse_one    
            )
     
     def parse_one(self,response):

         data = json.loads(response.text)
         for job in data['Data']['Posts']:      # 用字典收集数据
            item = {
     }
            item['招募职位'] = job['RecruitPostName']
            item['工作类别'] = job['CategoryName']
            post_id = job['PostId']
            
         # 通过拼接得到详情页url
            detail_url = self.two_url.format(post_id)
         # 请求返回数据
            yield scrapy.Request(
					url=detail_url,
					meta={
     'item':item},     # 利用meta进行传值
					# 将响应结果传到下面的parse_two函数中
                    callback=self.parse_two    
            )
         print(item)

结果如下：

接着编辑parse_two()：

      def parse_two(self,response):
      
		  # 将前面的item字典传过来继续加值
          item = response.meta['item']   
          data = json.loads(response.text)
        
          item['工作职责'] = data['Data']['Responsibility']
          item['工作要求'] = data['Data']['Requirement']

          print(item)

结果如下：

可以发现，整个数据是从最后一页（第10页）倒着往前打印的。至此，数据已经全都获取到了。

其中，要对页码url进行请求，获取每页数据，会用到scrapy.Request

这是其中的参数：
scrapy.Request(url, callback=None, method=‘GET’, headers=None, bod y=None,cookies=None, meta=None, encoding=‘utf-8’, priority=0, 2 dont_filter=False, errback=None, flags=None)

scrapy.Request常用参数为：
callback：指定传⼊的URL交给哪个解析函数去处理，回调函数是用来自定义一个接收函数名（接收响应结果）。
meta：实现不同的解析函数中传递数据，meta默认会携带部分信息,比如下载延迟，请求深度。
dont_filter:让scrapy的去重不会过滤当前URL，scrapy默认有URL去重功能，对需要 重复请求的URL有重要⽤途。

4.一些细节

4.1 items文件的使用

如果想把要获取的字段提前定义好，要用到items.py文件。在其中将之前定义要获取的字段按照这一格式写好：

class TencentItem(scrapy.Item):
字段名 = scrapy.Field()

将tencent文件夹设置成根目录：右键tencent文件夹

设置成根目录，在hr.py文件中导入：

from tencent.items import TencentItem

在已定义的字段之前，加上：item = TencentItem()，再次执行即可，能够排除因字段错误导致的问题。

4.2 验证爬虫文件的其他方式

前面咱们讲了2种方法，今天来介绍第三种方法。

isinstance():判断一个对象是否是另一个对象的实例，可以沿用到这里：

from tencent.items import TencentItem

class TencentPipeline:
    def process_item(self, item, spider):
        if isinstance(item,TencentItem):
            print('当前item来自TencentItem')
            return item

这样也能验证是不是某个爬虫文件的数据，要记住在这之前，要yield 字段数据；打开setting中的pipeline。再去运行start.py文件。

四、保存数据

在pipelines文件中进行保存数据的剩余工作。关于pipelines的使用，在前面已经介绍过。

好了，今天的scrapy实战操作就到这里了。

 
 
 
实战部分：
第一篇：Python爬虫实战之 爬取全国理工类大学数量+数据可视化
第二篇：Python爬虫实战之 爬取王者荣耀皮肤

爬虫基础部分：
第一篇：Python的要点(搭建环境、安装配置、第三方库导入方法详细过程)
第二篇：Python爬虫初探（一）——了解爬虫
第三篇：Python爬虫初探（二）——爬虫的请求模块
第四篇：Python爬虫初探（三）——爬虫之正则表达式介绍
第五篇：Python爬虫初探（四）——爬虫之正则表达式实战（爬取图片）
第六篇：Python爬虫初探（五）——爬虫之xpath与lxml库的使用
第七篇：Python爬虫初探（六）——爬虫之xpath实战（爬取高考分数线信息）
第八篇：Python爬虫初探（七）——爬虫之Beautifulsoup4介绍（Ⅰ）
第九篇：Python爬虫初探（八）——爬虫之Beautifulsoup4介绍（Ⅱ）
第十篇：Python爬虫初探（九）——爬虫之Beautifulsoup4实战（爬取豆瓣信息）
第十一篇：Python爬虫初探（十）——爬虫总结

爬虫进阶部分：
第一篇：Python爬虫进阶（一）——爬虫之动态数据与selenium
第二篇：Python爬虫进阶（二）——爬虫之多任务模块（Ⅰ）
第三篇：Python爬虫进阶（三）——爬虫之多任务模块（Ⅱ）
第四篇：Python爬虫进阶（四）——爬虫之多任务模块（Ⅲ）
第五篇：Python爬虫进阶（五）——爬虫之多线程爬虫实战（爬取王者荣耀皮肤）
第六篇：Python爬虫进阶（六）——爬虫之Scrapy初探（Ⅰ）
第七篇：Python爬虫进阶（七）——爬虫之Scrapy初探（Ⅱ）