Python的scrapy之爬取boss直聘网站

在我们的项目中，单单分析一个51job网站的工作职位可能爬取结果不太理想，所以我又爬取了boss直聘网的工作，不过boss直聘的网站一次只能展示300个职位，所以我们一次也只能爬取300个职位。

jobbossspider.py:

# -*- coding: utf-8 -*-
import scrapy
from ..items import JobbossItem

class JobbosspiderSpider(scrapy.Spider):
    name = 'jobbosspider'
    #allowed_domains = ['https://www.zhipin.com/']
    allowed_domains = ['zhipin.com']
    # 定义入口URL
    #start_urls = ['https://www.zhipin.com/c101010100/?query=python&page=1&ka=page-1']    #北京
    #start_urls=['https://www.zhipin.com/c100010000/h_101010100/?query=Python&ka=sel-city-100010000']   #全国
    #start_urls=['https://www.zhipin.com/c101020100/h_101010100/?query=Python&ka=sel-city-101020100']   #上海
    #start_urls=['https://www.zhipin.com/c101280100/h_101010100/?query=Python&ka=sel-city-101280100']     #广州
    #start_urls=['https://www.zhipin.com/c101280600/h_101010100/?query=Python&ka=sel-city-101280600']    #深圳
    #start_urls=['https://www.zhipin.com/c101210100/h_101010100/?query=Python&ka=sel-city-101210100']     #杭州
    #start_urls=['https://www.zhipin.com/c101030100/h_101010100/?query=Python&ka=sel-city-101030100']      #天津
    #start_urls=['https://www.zhipin.com/c101110100/h_101010100/?query=Python&ka=sel-city-101110100']       #西安
    #start_urls=['https://www.zhipin.com/c101200100/h_101010100/?query=Python&ka=sel-city-101200100']        #武汉
    #start_urls=['https://www.zhipin.com/c101270100/h_101010100/?query=Python&ka=sel-city-101270100']         #成都
    start_urls=['https://www.zhipin.com/c100010000/h_101270100/?query=python%E7%88%AC%E8%99%AB&ka=sel-city-100010000']  #爬虫工程师，全国

    # 定义解析规则,这个方法必须叫做parse
    def parse(self, response):
        item = JobbossItem()
        # 获取页面数据的条数
        node_list = response.xpath("//*[@id=\"main\"]/div/div[2]/ul/li")
        # 循环解析页面的数据
        for node in node_list:
            item["job_title"] = node.xpath(".//div[@class=\"job-title\"]/text()").extract()[0]
            item["compensation"] = node.xpath(".//span[@class=\"red\"]/text()").extract()[0]
            item["company"] = node.xpath("./div/div[2]/div/h3/a/text()").extract()[0]
            company_info = node.xpath("./div/div[2]/div/p/text()").extract()
            temp = node.xpath("./div/div[1]/p/text()").extract()
            item["address"] = temp[0]
            item["seniority"] = temp[1]
            item["education"] = temp[2]
            if len(company_info) < 3:
                item["company_type"] = company_info[0]
                item["company_finance"] = ""
                item["company_quorum"] = company_info[-1]
            else:
                item["company_type"] = company_info[0]
                item["company_finance"] = company_info[1]
                item["company_quorum"] = company_info[2]
            yield item
            # 定义下页标签的元素位置
            next_page = response.xpath("//div[@class=\"page\"]/a/@href").extract()[-1]
            # 判断什么时候下页没有任何数据
            if next_page != 'javascript:;':
                base_url = "https://www.zhipin.com"
                url = base_url + next_page
                yield scrapy.Request(url=url, callback=self.parse)

'''
# 斜杠（/）作为路径内部的分割符。
# 同一个节点有绝对路径和相对路径两种写法。
# 绝对路径（absolute path）必须用"/"起首，后面紧跟根节点，比如/step/step/...。
# 相对路径（relative path）则是除了绝对路径以外的其他写法，比如 step/step，也就是不使用"/"起首。
# "."表示当前节点。
# ".."表示当前节点的父节点

nodename（节点名称）：表示选择该节点的所有子节点

# "/"：表示选择根节点

# "//"：表示选择任意位置的某个节点

# "@"： 表示选择某个属性
'''

items.py

import scrapy

class JobbossItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    job_title = scrapy.Field()  # 岗位
    compensation = scrapy.Field()  # 薪资
    company = scrapy.Field()  # 公司
    address = scrapy.Field()  # 地址
    seniority = scrapy.Field()  # 工作年薪
    education = scrapy.Field()  # 教育程度
    company_type = scrapy.Field()  # 公司类型
    company_finance = scrapy.Field()  # 融资
    company_quorum = scrapy.Field()  # 公司人数

pipelines输出管道:

class JobbossPipeline(object):
    def process_item(self, item, spider):
        print('职位名:',item["job_title"])
        print('薪资:',item["compensation"])
        print('公司名:',item["company"])
        print('公司地点:',item["address"])
        print('工作经验:',item["seniority"])
        print('学历要求:',item["education"])
        print('公司类型:',item["company_type"])
        print('融资:',item["company_finance"])
        print('公司人数:',item["company_quorum"])
        print('-'*50)
        return item

pipelinemysql输入到数据库中:

# -*- coding: utf-8 -*-
from week5_day04.dbutil import dbutil

# 作业： 自定义的管道，将完整的爬取数据，保存到MySql数据库中
class JobspidersPipeline(object):
    def process_item(self, item, spider):
        dbu = dbutil.MYSQLdbUtil()
        dbu.getConnection()  # 开启事物

        # 1.添加
        try:
            sql = "insert into boss_job (job_title,compensation,company,address,seniority,education,company_type,company_finance,company_quorum)values(%s,%s,%s,%s,%s,%s,%s,%s,%s)"
            #date = []
            #dbu.execute(sql, date, True)
            dbu.execute(sql, (item["job_title"],item["compensation"],item["company"],item["address"],item["seniority"],item["education"],item["company_type"],item["company_finance"],item["company_quorum"]),True)
            dbu.commit()
            print('插入数据库成功！！')
        except:
            dbu.rollback()
            dbu.commit()  # 回滚后要提交
        finally:
            dbu.close()
        return item

在settings.py中开启如下设置

SPIDER_MIDDLEWARES = {
    'jobboss.middlewares.JobbossSpiderMiddleware': 543,
}

DOWNLOADER_MIDDLEWARES = {
    'jobboss.middlewares.JobbossDownloaderMiddleware': 543,
    'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': None, # 这一行是取消框架自带的useragent
    'jobboss.rotateuseragent.RotateUserAgentMiddleware': 400
}

ITEM_PIPELINES = {
    'jobboss.pipelines.JobbossPipeline': 300,
    'jobboss.pipelinesmysql.JobspidersPipeline': 301,
}

LOG_LEVEL='INFO'
LOG_FILE='jobboss.log'

#最后这两行是加入日志

最后启动项目，可以在pycharm自带的terminal中输入 ：scrapy crawl 爬虫文件的名称

也可以创一个小的启动程序：

from scrapy.cmdline import execute

execute(['scrapy', 'crawl', 'jobbosspider'])

爬虫启动结果：

数据库中的数据如下：

以上就是爬取boss直聘的所有内容了