【python爬虫】15.Scrapy框架实战（热门职位爬取）
文章目录
- 前言
- 明确目标
- 分析过程
-
- 企业排行榜的公司信息
- 公司详情页面的招聘信息
- 代码实现
-
- 创建项目
- 定义item
- 创建和编写爬虫文件
-
- 存储文件
- 修改设置
- 代码实操
- 总结
前言
上一关，我们学习了Scrapy框架，知道了Scrapy爬虫公司的结构和工作原理。
在Scrapy爬虫公司里，引擎是最大的boss，统领着调度器、下载器、爬虫和数据管道四大部门。
这四大部门都听命于引擎，视引擎的需求为最高需求。
我们还通过实操爬取豆瓣Top250图书的项目，熟悉了Scrapy的用法。
这一关，我会带你实操一个更大的项目——用Scrapy爬取招聘网站的招聘信息。
你可以借此体验一把当Scrapy爬虫公司CEO的感觉，用代码控制并操作整个Scrapy的运行。
那我们爬取什么招聘网站呢？在众多招聘网站中，我挑选了职友集。这个网站可以通过索引的方式，搜索到全国上百家招聘网站的最新职位。
现在，请你用浏览器打开职友集的网址链接（一定要打开哦）：
https://www.jobui.com/rank/company/view/beijing/
我用的是北京的页面，大家可以根据自己的需要来进行更换地区。
我们先对这个网站做初步的观察，这样我们才能明确项目的爬取目标。
明确目标
打开网址后，你会发现：这是职友集网站的地区企业排行榜，里面含有本月人气企业榜。
点击【北京痘印信息服务有限公司】，会跳转到这家公司的详情页面，再点击【招聘】，就能看到这家公司正在招聘的所有岗位信息。
初步观察后，我们可以把爬取目标定为：先爬取企业排行榜四个榜单里的公司，再接着爬取这些公司的招聘信息。
每个榜单有10家公司，四个榜单一共就是40家公司。也就是说，我们要先从企业排行榜爬取到这40家公司，再跳转到这40家公司的招聘信息页面，爬取到公司名称、职位、工作地点和招聘要求。
分析过程
明确完目标，我们开始分析过程。首先，要看企业排行榜里的公司信息藏在了哪里。
企业排行榜的公司信息
请你右击打开“检查”工具，点击Network，刷新页面。点开第0个请求beijing/，看Response，找一下有没有榜单的公司信息在里面。
一找，发现四个榜单的所有公司信息都在里面。说明企业排行榜的公司信息就藏在html里。
现在请你点击Elements，点亮光标，再把鼠标移到【北京抖音信息服务有限公司】，这时就会定位到含有这家公司信息的元素上。
点击href=“/company/10375749/”，会跳转到字节跳动这家公司的详情页面。详情页面的网址是：
https://www.jobui.com/company/17376344/
我们可以猜到：/company/+数字/应该是公司id的标识。这么一观察，榜单上的公司详情页面的网址规律我们就得出来了。
那么，我们只要把元素的href属性的值提取出来，就能构造出每家公司详情页面的网址。
构造公司详情页面的网址是为了后面能获得详情页面里的招聘信息。
现在，我们来分析html的结构，看看怎样才能把元素href属性的值提取出来。
仔细观察html的结构，你会发现，每个公司信息都藏在一个 我们想要的 我们想拿到所有 一个稳妥的方案是：先抓取最外层的 分析到这里，我们已经知道公司详情页面的网址规律，和如何提取 接下来，我们需要分析的就是，每家公司的详情页面。 我们打开【北京字节跳动科技有限公司】的详情页面，点击【招聘】。这时，网址会发生变化，多了jobs的参数。 如果你多点击几家公司的详情页面，查看招聘信息，就会知道：公司招聘信息的网址规律也是有规律的。 还是在字节跳动公司的招聘信息页面，右击打开“检查”工具，点击Network，刷新页面。我们点击第0个请求jobs/，查看Response，翻找看看里面有没有这家公司的招聘信息。 在Response里我们找到了想要的招聘信息。这说明公司的招聘信息依旧是藏在了html里。 接下来，你应该知道要分析什么了吧。 分析的套路都是相同的，知道数据藏在html后，接着是分析html的结构，想办法提取出我们想要的数据。 那就按照惯例点击Elements，然后点亮光标，把鼠标移到公司名称吧。 不过经过我几次的操作试验，发现职友集这个网站间隔一段时间就会更换这个标签的名字（可能你此时看到的标签名不一定是 为了保证一定能取到公司名称，我们改成用id属性（id=“companyH1”）来定位这个标签。这样，不管这个标签名字如何更换，我们依旧能抓到它。 下面，再把鼠标移到岗位名称，看看招聘的岗位信息可以怎么提取。 这样分析下来，我们想要的招聘信息，包括公司名称、职位名称、工作地点和职位要求，都定位清楚了。 还记得怎么创建吗？打开本地电脑的终端（windows：Win+R，输入cmd；mac：command+空格，搜索“终端”），跳转到你想要保存项目的目录下，输入创建Scrapy项目的命令：scrapy startproject jobui（jobui是职友集网站的英文名，在这里我们把它作为Scrapy项目的名字）。 创建好项目后，你在本地电脑的编译器打开这个Scrapy项目，会看到如下的结构： 我们刚刚分析的时候，已经确定要爬取的数据是公司名称、职位名称、工作地点和招聘要求。 那么，现在请你写出定义item的代码。 下面，是我写的定义item的代码。 定义好item，我们接着要做的是在spiders里创建爬虫文件，命名为jobui_ jobs。 先导入所需的模块： 接下来，是编写爬虫的核心代码。我会先带着你理清代码的逻辑，这样等下你才能比较顺利地理解和写出代码。 在前面分析过程的步骤里，我们知道要先抓取企业排行榜40家公司的id标识，比如字节跳动公司的id标识是/company/17376344/。 再利用抓取到的公司id标识构造出每家公司招聘信息的网址。比如，字节跳动公司的招聘信息网址就是https://www.jobui.com/company/17376344/jobs/ 我们需要再把每家公司招聘信息的网址封装成requests对象。这里你可能有点不理解为什么要封装成requests对象，我解释一下。 如果我们不是使用Scrapy，而是使用requests库的话，一般我们得到一个网址，需要用requests.get()，传入网址这个参数，才能获取到网页的源代码。 这样才能让引擎拿到的是正确requests对象，交给下载器处理。 既然构造了新的requests对象，我们就得定义与之匹配的用来处理response的新方法。这样才能提取出我们想要的招聘信息的数据。 好啦，核心代码的逻辑我们理清楚了。 第6-13行代码：定义了爬虫类JobuiSpider、爬虫的名字jobui、允许爬虫爬取的域名和起始网址。 剩下的代码，你应该都能看懂。我们用默认的parse方法来处理response（企业排行榜的网页源代码）；用BeautifulSoup来解析response；用find_all方法提取数据（公司id标识）。 公司id标识就是 所以这里用了个for循环，把元素的href属性的值提取了出来，并成功构造了公司招聘信息的网址。 代码写到这里，我们已经完成了核心代码逻辑的前两件事：提取企业排行榜的公司id标识和构造公司招聘信息的网址。 继续来完善核心代码（请你重点看第30行代码及之后的代码）。 你应该不理解第30行代码：yield scrapy.Request(real_url, callback=self.parse_job)的意思。我跟你解释一下。 scrapy.Request是构造requests对象的类。real_url是我们往requests对象里传入的每家公司招聘信息网址的参数。 callback的中文意思是回调。self.parse_job是我们新定义的parse_job方法。往requests对象里传入callback=self.parse_job这个参数后，引擎就能知道response要前往的下一站，是parse_job()方法。 yield语句就是用来把这个构造好的requests对象传递给引擎。 第34行代码，是我们定义的新的parse_job方法。这个方法是用来解析和提取公司招聘信息的数据。 对照下面的招聘信息的数据定位表格，你应该能比较好地理解之后的代码。 提取出公司名称、职位名称、工作地点和招聘要求这些数据，并把这些数据放进我们定义好的JobuiItem类里。 最后，用yield语句把item传递给引擎，整个核心代码就编写完啦！ヽ(ﾟ∀ﾟ)ﾒ(ﾟ∀ﾟ)ﾉ 至此，我们整个项目还差存储数据这一步。在第7关，我们学过用csv模块把数据存储csv文件，用openpyxl模块把数据存储Excel文件。 其实，在Scrapy里，把数据存储成csv文件和Excel文件，也有分别对应的方法。我们先说csv文件。 存储成csv文件的方法比较简单，只需在settings.py文件里，添加如下的代码即可。 FEED_URI是导出文件的路径。‘./storage/data/%(name)s.csv’，就是把存储的文件放到与main.py文件同级的storage文件夹的data子文件夹里。 FEED_FORMAT 是导出数据格式，写csv就能得到csv格式。 FEED_EXPORT_ENCODING 是导出文件编码，ansi是一种在windows上的编码格式，你也可以把它变成utf-8用在mac电脑上。 存储成Excel文件的方法要稍微复杂一些，我们需要先在settings.py里设置启用ITEM_PIPELINES，设置方法如下： 只要取消ITEM_PIPELINES的注释（删掉#）即可。 接着，我们就可以去编辑pipelines.py文件。存储为Excel文件，我们依旧是用openpyxl模块来实现，代码如下，注意阅读注释： 在最后，我们还要再修改Scrapy中settings.py文件里的默认设置：添加请求头，以及把ROBOTSTXT_OBEY=True改成ROBOTSTXT_OBEY=False。 还有一处默认设置我们需要修改，代码如下： 我们需要取消DOWNLOAD_DELAY = 0这行的注释（删掉#）。DOWNLOAD_DELAY翻译成中文是下载延迟的意思，这行代码可以控制爬虫的速度。因为这个项目的爬取速度不宜过快，我们要把下载延迟的时间改成0.5秒。 改好后的代码如下： 修改完设置，我们已经可以运行代码。 温馨提示：由于网站反爬策略升级，如果发现请求的响应结果不是200，那就参照之前的文章来进行解决即可。 我带你完成了核心代码的编写，现在是时候到你自己动手编写一遍这个项目的核心代码。 提示1：除了编写核心代码，还要定义 提示2：运行Scrapy的方法，在main.py文件里导入cmdline模块，用execute方法执行终端的命令行：scrapy crawl+项目名 提示3：如果是使用main.py作为入口来进行运行的话，只有main.py文件是能点击运行的。 提示4：存储为csv还是Excel，你可以自己决定。存储为csv只需要更改settings文件，存储为Excel则还需要修改pipelines.py文件。 开始代码实操吧~ 怎么样，完成了吗？ 不管代码有没有运行成功，我都为你鼓掌！ヾ(o´∀｀o)ﾉ 至此，我们使用Scrapy完成了一个完整项目。它涉及了一个爬虫的全程：获取数据，解析数据，提取数据和存储数据。 但是必须要指出的是，受篇幅所限，还有许多内容没展开讲：Scrapy的自带解析器怎么用？如何带参数请求数据？如何写入cookies？如何发送邮件？如何与selenium联动？如何完成超厉害的分布式爬虫……如是种种。 如是种种，全都讲出来可能还要新增好几个关卡。但是我认为，这不是必要的。 一来，你已经学习过用BS解析数据、带参数请求数据、加入cookies、发邮件、协程……你明白它们的工作原理。 二来，你已经明白Scrapy框架的组成和工作原理。 只要将两者加以组合，辅以练习，就能轻松掌握。 今日的你，只是不知道语法怎么写罢了。而语法问题，是最容易解决的问题，我们可以去阅读官方文档。因为你已具备上述知识，所以这文档读起来也会非常简单。 在下一关，我为你准备了对过往知识的总复习、反爬虫策略汇总、对未来爬虫学习的指引，以及一封书信。 我们下一关见！标签，就在元素href属性的值。我们当然不能直接用find_all()抓取标签，原因也很简单：这个页面有太多的标签，会抓出来很多我们不想要的信息。元素，最后提取到元素href属性的值。就像剥洋葱，要从最外面的一层开始剥一样。
元素href属性的值。公司详情页面的招聘信息
接着，我们需要找找看公司的招聘信息都存在了哪里。
公司名称藏在元素的文本中。按道理来说，我们可以通过class属性，定位到
你会发现：每个岗位的信息都藏在一个元素的文本中，工作地点和职位要求在标签里，职位要求在第 2 个标签里。
至此，我们分析完了整个爬取过程，接下来就是代码实现啦。代码实现
我们按照Scrapy正常的用法一步步来。首先，我们必须创建一个Scrapy项目。创建项目
定义item
import scrapy
class JobuiItem(scrapy.Item):
#定义了一个继承自scrapy.Item的JobuiItem类
company = scrapy.Field()
#定义公司名称的数据属性
position = scrapy.Field()
#定义职位名称的数据属性
address = scrapy.Field()
#定义工作地点的数据属性
detail = scrapy.Field()
#定义招聘要求的数据属性
创建和编写爬虫文件
现在，我们可以开始在这个爬虫文件里编写代码。import scrapy
import bs4
from ..items import JobuiItem
而在Scrapy里，获取网页源代码这件事儿，会由引擎交分配给下载器去做，不需要我们自己处理。我们之所以要构造新的requests对象，是为了告诉引擎，我们新的请求需要传入什么参数。
我们接着往下写核心代码。#导入模块
import scrapy
import bs4
from ..items import JobuiItem
class JobuiSpider(scrapy.Spider):
#定义一个爬虫类JobuiSpider
name = 'jobui'
#定义爬虫的名字为jobui
allowed_domains = ['www.jobui.com']
#定义允许爬虫爬取网址的域名——职友集网站的域名
start_urls = ['https://www.jobui.com/rank/company/view/beijing/']
#定义起始网址——职友集企业排行榜的网址（北京）
def parse(self, response):
#parse是默认处理response的方法
bs = bs4.BeautifulSoup(response.text, 'html.parser')
#用BeautifulSoup解析response（企业排行榜的网页源代码）
company_list = bs.find('div',id="companyList").find_all('div',class_='c-company-list')
#用find_all提取所有元素的href属性的值，我们想要把它提取出来，就得先抓到所有最外层的元素。
接下来，就是构造新的requests对象和定义新的方法处理response。#导入模块
import scrapy
import bs4
from ..items import JobuiItem
class JobuiSpider(scrapy.Spider):
#定义一个爬虫类JobuiSpider
name = 'jobui'
#定义爬虫的名字为jobui
allowed_domains = ['www.jobui.com']
#定义允许爬虫爬取网址的域名——职友集网站的域名
start_urls = ['https://www.jobui.com/rank/company/view/beijing/']
#定义起始网址——职友集企业排行榜的网址
def parse(self, response):
#parse是默认处理response的方法
bs = bs4.BeautifulSoup(response.text, 'html.parser')
#用BeautifulSoup解析response（企业排行榜的网页源代码）
company_list = bs.find('div',id="companyList").find_all('div',class_='c-company-list')
#用find_all提取所有
上图中的工作地点和招聘要求 的属性，已经修正为了 text 请大家注意。存储文件
FEED_URI='./storage/data/%(name)s.csv'
FEED_FORMAT='csv'
FEED_EXPORT_ENCODING='ansi'
#需要修改`ITEM_PIPELINES`的设置代码：
# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
#ITEM_PIPELINES = {
# 'jobui.pipelines.JobuiPipeline': 300,
# }
#取消`ITEM_PIPELINES`的注释后：
# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'jobui.pipelines.JobuiPipeline': 300,
}
import openpyxl
class JobuiPipeline(object):
#定义一个JobuiPipeline类，负责处理item
def __init__(self):
#初始化函数 当类实例化时这个方法会自启动
self.wb =openpyxl.Workbook()
#创建工作薄
self.ws = self.wb.active
#定位活动表
self.ws.append(['公司', '职位', '地址', '招聘信息'])
#用append函数往表格添加表头
def process_item(self, item, spider):
#process_item是默认的处理item的方法，就像parse是默认处理response的方法
line = [item['company'], item['position'], item['address'], item['detail']]
#把公司名称、职位名称、工作地点和招聘要求都写成列表的形式，赋值给line
self.ws.append(line)
#用append函数把公司名称、职位名称、工作地点和招聘要求的数据都添加进表格
return item
#将item丢回给引擎，如果后面还有这个item需要经过的itempipeline，引擎会自己调度
def close_spider(self, spider):
#close_spider是当爬虫结束运行时，这个方法就会执行
self.wb.save('./jobui.xlsx')
#保存文件
self.wb.close()
#关闭文件
修改设置
#需要修改的默认设置:
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'jobui (+http://www.yourdomain.com)'
# Obey robots.txt rules
ROBOTSTXT_OBEY = True
# Configure a delay for requests for the same website (default: 0)
# See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 0
# Configure a delay for requests for the same website (default: 0)
# See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
DOWNLOAD_DELAY = 0.5
代码实操
item、修改设置和运行Scrapy。总结