后端开发|Python教程
python爬虫scrapy,python爬虫框
后端开发-Python教程
网络爬虫抓取特定网站网页的html数据，但是一个网站有上千上万条数据，我们不可能知道网站网页的url地址，所以，要有个技巧去抓取网站的所有html页面。Scrapy是纯Python实现的爬虫框架，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便～
业主小区商业源码,vscode c 类库,ubuntu性能检测,Tomcat尚未部署,监听sqlite改变的方式,耳朵一侧有爬虫感,php 跨服务器,移动端seo操作,易语言网站登录源码,网页音乐播放的源文件,dwt模板文件教程lzw
Scrapy 使用wisted这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。整体架构下图例：
国外游戏网站源码,vscode 显示方法,红米4x安装ubuntu,apr提升tomcat,vb读sqlite文件,excel上传插件,适配vue的前端ui框架,爬虫要学后端吗,php 队列redis,seo答辩ppt,彩票网站怎么建立,网页覆盖代码,网站免费模板资源lzw
免费自动发卡平台源码,ubuntu ss-qt,网上爬虫的规定,php70 php7.1,新手自学seolzw
绿线是数据流向，首先从初始URL 开始，Scheduler 会将其交给 Downloader 进行下载，下载之后会交给 Spider 进行分析，Spider分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回 Scheduler ；另一种是需要保存的数据，它们则被送到Item Pipeline 那里，那是对数据进行后期处理（详细分析、过滤、存储等）的地方。另外，在数据流动的通道里还可以安装各种中间件，进行必要的处理。
我假定你已经安装了Scrapy。假如你没有安装,你可以参考这篇文章。
在本文中，我们将学会如何使用Scrapy建立一个爬虫程序，并爬取指定网站上的内容
1. 创建一个新的Scrapy Project
2. 定义你需要从网页中提取的元素Item
3.实现一个Spider类，通过接口完成爬取URL和提取Item的功能
4. 实现一个Item PipeLine类，完成Item的存储功能
我将会用腾讯招聘官网作为例子。
Github源码：/maxliaops/scrapy-itzhaopin
目标：抓取腾讯招聘官网职位招聘信息并保存为JSON格式。
新建工程
首先，为我们的爬虫新建一个工程，首先进入一个目录（任意一个我们用来保存代码的目录），执行：
scrapy startprojectitzhaopin
最后的itzhaopin就是项目名称。这个命令会在当前目录下创建一个新目录itzhaopin，结构如下：
├── itzhaopin
│ ├── itzhaopin
│ │ ├── __init__.py
│ │ ├── items.py
│ │ ├── pipelines.py
│ │ ├── settings.py
│ │ └── spiders
│ │└── __init__.py
│ └── scrapy.cfg
scrapy.cfg: 项目配置文件
items.py: 需要提取的数据结构定义文件
pipelines.py:管道定义，用来对items里面提取的数据做进一步处理，如保存等
settings.py: 爬虫配置文件
spiders: 放置spider的目录
定义Item
在items.py里面定义我们要抓取的数据：
from scrapy.item import Item, Field class TencentItem(Item): name = Field() # 职位名称 catalog = Field() # 职位类别 workLocation = Field() # 工作地点 recruitNumber = Field() # 招聘人数 detailLink = Field()# 职位详情页链接 publishTime = Field()# 发布时间
实现Spider
Spider是一个继承自scrapy.contrib.spiders.CrawlSpider的Python类，有三个必需的定义的成员
name: 名字，这个spider的标识
start_urls:一个url列表，spider从这些网页开始抓取
parse():一个方法，当start_urls里面的网页抓取下来之后需要调用这个方法解析网页内容，同时需要返回下一个需要抓取的网页，或者返回items列表
所以在spiders目录下新建一个spider，tencent_spider.py:
import re import json from scrapy.selector import Selector try: from scrapy.spider import Spider except: from scrapy.spider import BaseSpider as Spider from scrapy.utils.response import get_base_url from scrapy.utils.url import urljoin_rfc from scrapy.contrib.spiders import CrawlSpider, Rule from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor as sle from itzhaopin.items import * from itzhaopin.misc.log import * class TencentSpider(CrawlSpider): name = "tencent" allowed_domains = [""] start_urls = ["/position.php" ] rules = [ # 定义爬取URL的规则Rule(sle(allow=("/position.php\?&start=\d{,4}#a")), follow=True, callback=parse_item) ] def parse_item(self, response): # 提取数据到Items里面，主要用到XPath和CSS选择器提取网页数据items = []sel = Selector(response)base_url = get_base_url(response)sites_even = sel.css( able.tablelist tr.even)for site in sites_even: item = TencentItem() item[ ame] = site.css(.l.square a).xpath( ext()).extract() relative_url = site.css(.l.square a).xpath(@href).extract()[0] item[detailLink] = urljoin_rfc(base_url, relative_url) item[catalog] = site.css( r > td:nth-child(2)::text).extract() item[workLocation] = site.css( r > td:nth-child(4)::text).extract() item[ ecruitNumber] = site.css( r > td:nth-child(3)::text).extract() item[publishTime] = site.css( r > td:nth-child(5)::text).extract() items.append(item) #print repr(item).decode("unicode-escape") + \ sites_odd = sel.css( able.tablelist tr.odd)for site in sites_odd: item = TencentItem() item[ ame] = site.css(.l.square a).xpath( ext()).extract() relative_url = site.css(.l.square a).xpath(@href).extract()[0] item[detailLink] = urljoin_rfc(base_url, relative_url) item[catalog] = site.css( r > td:nth-child(2)::text).extract() item[workLocation] = site.css( r > td:nth-child(4)::text).extract() item[ ecruitNumber] = site.css( r > td:nth-child(3)::text).extract() item[publishTime] = site.css( r > td:nth-child(5)::text).extract() items.append(item) #print repr(item).decode("unicode-escape") + \ info(parsed + str(response))return items def _process_request(self, request):info(process + str(request))return request
实现PipeLine
PipeLine用来对Spider返回的Item列表进行保存操作，可以写入到文件、或者数据库等。
PipeLine只有一个需要实现的方法：process_item，例如我们将Item保存到JSON格式文件中：
pipelines.py
from scrapy import signals import json import codecs class JsonWithEncodingTencentPipeline(object): def __init__(self):self.file = codecs.open( encent.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( )
到现在，我们就完成了一个基本的爬虫的实现，可以输入下面的命令来启动这个Spider
scrapy crawl tencent
爬虫运行结束后，在当前目录下将会生成一个名为tencent.json的文件，其中以JSON格式保存了职位招聘信息。
部分内容如下：
{“recruitNumber”: [“1”], “name”: [“SD5-资深手游策划（深圳）”], “detailLink”: “/position_detail.php?id=15626&keywords=&tid=0&lid=0”, “publishTime”:
[“-04-25”], “catalog”: [“产品/项目类”], “workLocation”: [“深圳”]}
{“recruitNumber”: [“1”], “name”: [“TEG13-后台开发工程师（深圳）”], “detailLink”: “/position_detail.php?id=15666&keywords=&tid=0&lid=0”,
“publishTime”: [“-04-25”], “catalog”: [“技术类”], “workLocation”: [“深圳”]}
{“recruitNumber”: [“2”], “name”: [“TEG12-数据中心高级经理（深圳）”], “detailLink”: “/position_detail.php?id=15698&keywords=&tid=0&lid=0”,
“publishTime”: [“-04-25”], “catalog”: [“技术类”], “workLocation”: [“深圳”]}
{“recruitNumber”: [“1”], “name”: [“GY1-微信支付品牌策划经理（深圳）”], “detailLink”: “/position_detail.php?id=15710&keywords=&tid=0&lid=0”,
“publishTime”: [“-04-25”], “catalog”: [“市场类”], “workLocation”: [“深圳”]}
{“recruitNumber”: [“2”], “name”: [“SNG06-后台开发工程师（深圳）”], “detailLink”: “/position_detail.php?id=15499&keywords=&tid=0&lid=0”,
“publishTime”: [“-04-25”], “catalog”: [“技术类”], “workLocation”: [“深圳”]}
{“recruitNumber”: [“2”], “name”: [“OMG01-腾讯时尚视频策划编辑(北京)”], “detailLink”: “/position_detail.php?id=15694&keywords=&tid=0&lid=0”,
“publishTime”: [“-04-25”], “catalog”: [“内容编辑类”], “workLocation”: [“北京”]}
{“recruitNumber”: [“1”], “name”: [“HY08-QT客户端Windows开发工程师(深圳)”], “detailLink”: “/position_detail.php?id=11378&keywords=&tid=0&lid=0”,
“publishTime”: [“-04-25”], “catalog”: [“技术类”], “workLocation”: [“深圳”]}
{“recruitNumber”: [“5”], “name”: [“HY1-移动游戏测试经理（上海）”], “detailLink”: “/position_detail.php?id=15607&keywords=&tid=0&lid=0”, “publishTime”: [“-04-25”], “catalog”: [“技术类”], “workLocation”: [“上海”]}
{“recruitNumber”: [“1”], “name”: [“HY6-网吧平台高级产品经理（深圳）”], “detailLink”: “/position_detail.php?id=10974&keywords=&tid=0&lid=0”, “publishTime”: [“-04-25”], “catalog”: [“产品/项目类”], “workLocation”: [“深圳”]}
{“recruitNumber”: [“4”], “name”: [“TEG14-云存储研发工程师（深圳）”], “detailLink”: “/position_detail.php?id=15168&keywords=&tid=0&lid=0”, “publishTime”: [“-04-24”], “catalog”: [“技术类”], “workLocation”: [“深圳”]}
{“recruitNumber”: [“1”], “name”: [“CB-薪酬经理（深圳）”], “detailLink”: “/position_detail.php?id=2309&keywords=&tid=0&lid=0”, “publishTime”: [“-11-28”], “catalog”: [“职能类”], “workLocation”: [“深圳”]}
以上全部内容就是通过Python爬虫框架Scrapy实战之批量抓取招聘信息的全部内容，希望对大家有所帮助，欲了解更多编程知识，请锁定我们的网站，每天都有新的内容发布。
