爬虫爬取智联招聘的职位信息（基础）
简单爬取智联招聘的内容，爬之前在网上找关于这方面的代码，最后发现都不行，智联现在的招聘信息都是js加载，直接请求响应不到响应的内容，只能使用selenium，通过selenium加载，网页加载完成后返回page_source。
selenium放在中间件中。
开始正文
先找到要爬取的url,https://sou.zhaopin.com/?pageSize=60&jl=854&kw=java%E5%B7%A5%E7%A8%8B%E5%B8%88&kt=3都是在搜索页面根据条件查找自己想要的信息，我的条件就是西安的java开发。取前10页的数据，每页60条
第一步就是创建项目；
scrapy startproject zhilian打开该项目：（项目目录）
编写selenium中间件
class SeleniumSpiderMiddleware(object):
def process_request(self, request, spider):
try:
spider.browser.get(request.url)
except TimeoutException as e:
print('超时')
spider.browser.execute_script('window.stop()')
time.sleep(2)
return HtmlResponse(url=spider.browser.current_url, body=spider.browser.page_source,
encoding="utf-8", request=request)这里的中间件只是做一个请求，返回加载js之后的页面。如果用默认的中间件会拿不到你需要的数据。
在spider目录下创建
zhilain_spiders.py初始化，打开浏览器，设置超时时间，请求会去中间件执行get方法
def __init__(self):
self.browser = webdriver.Chrome()
# self.browser.fullscreen_window()
self.browser.set_page_load_timeout(30)
self.urls = []
for i in range(0, 10):
self.url = 'https://sou.zhaopin.com/?p={}&pageSize=60&jl=854&kw=java%E5%B7%A5%E7%A8%8B%E5%B8%88&kt=3'.format(str(i))
self.urls.append(self.url)
def start_requests(self):
for i in range(len(self.urls)):
yield Request(url=self.urls[i], callback=self.parse)贴代码
zhilain_spiders.py
----------------------------------------------------------------
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2018/9/30 11:08
# @Author : jia.zhao
# @Desc :
# @File : zhilain_spiders.py
# @Software: PyCharm
from zhilian.items import ZhaopinItem
from scrapy import Spider, Request
from selenium import webdriver
import time
class ZhaopinSpider(Spider):
name = 'zhilian'
allowed_domains = ['www.zhaopin.com']
start_urls = ['http://www.zhaopin.com/']
#start_urls = ['http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E4%B8%8A%E6%B5%B7&kw=java%E5%B7%A5%E7%A8%8B%E5%B8%88&sm=0&sg=720f662a0e894031b9b072246ac2f919&p=1']
def __init__(self):
self.browser = webdriver.Chrome()
# self.browser.fullscreen_window()
self.browser.set_page_load_timeout(30)
self.urls = []
for i in range(0, 10):
self.url = 'https://sou.zhaopin.com/?p={}&pageSize=60&jl=854&kw=java%E5%B7%A5%E7%A8%8B%E5%B8%88&kt=3'.format(str(i))
self.urls.append(self.url)
def start_requests(self):
for i in range(len(self.urls)):
yield Request(url=self.urls[i], callback=self.parse)
def parse(self, response):
item = ZhaopinItem()
# 职位
job_name = response.selector.xpath('//div[@class="listItemBox clearfix"]/div[@class="infoBox"]/div[@class="itemBox nameBox"]/div[@class="jobName"]/a/span[@class="job_title"]')
job_name = job_name.xpath('string(.)').extract()
# url
job_url = response.selector.xpath('//div[@class="listItemBox clearfix"]/div[@class="infoBox"]/div[@class="itemBox nameBox"]/div[@class="jobName"]/a/@href').extract()
# 公司名称
company_name = response.selector.xpath('//div[@class="listItemBox clearfix"]/div[@class="infoBox"]/div[@class="itemBox nameBox"]/div[@class="commpanyName"]/a/text()').extract()
# 薪资范围
job_salary = response.selector.xpath('//div[@class="listItemBox clearfix"]/div[@class="infoBox"]/div[@class="itemBox descBox"]/div[@class="jobDesc"]/p[@class="job_saray"]/text()').extract()
# 获取公司的简要地址以及基本要求
# job_demand = response.selector.xpath('//div[@class="listItemBox clearfix"]/div[@class="infoBox"]/div[@class="itemBox descBox"]/div[@class="jobDesc"]/ul[@class="job_demand"]')
# for i in job_demand:
# jsb = i.xpath('string(.)').extract()
# for j in jsb:
# print(j)
# # companj.split(' ')[0]
web = webdriver.Chrome()
# 职位简介列表
job_summary = []
for i in range(0, len(job_name)):
web.get(job_url[i])
time.sleep(5)
# 公司福利
welfare = web.find_elements_by_xpath('//div[@class="welfare-tab-box"]/span')
# 职位简介
job_info_list = web.find_elements_by_xpath('//div[@class="terminalpage clearfix"]/div[@class="terminalpage-left"]/ul[@class="terminal-ul clearfix"]/li')
for job_info in job_info_list:
job_summary.append(job_info.text)
# 职位描述
current = web.find_elements_by_xpath(
'//div[@class="terminalpage clearfix"]/div[@class="terminalpage-left"]/div[@class="terminalpage-main clearfix"]/div[@class="tab-cont-box"]/div[@class="tab-inner-cont"]')
# 公司简介
company_profile = web.find_elements_by_xpath(
'//div[@class="terminalpage clearfix"]/div[@class="terminalpage-right"]/div[@class="company-box"]')
item['jobname'] = job_name[i]
item['salary'] = job_salary[i]
item['company_name'] = company_name[i]
welfare_list = []
job_list = []
job_current_list = []
company_profile_list = []
for wel in welfare:
welfare_list.append(wel.text)
for job_info in job_info_list:
job_list.append(job_info.text)
for c in current:
job_current_list.append(c.text)
for profile in company_profile:
company_profile_list.append(profile.text)
job = '【职位】' + job_name[i] + '\n' + '【薪资范围】' + job_salary[i] + '\n【公司名称】' + company_name[i] + '\n【福利待遇】' + ' '.join(welfare_list) + '\n********\n' + '\n'.join(job_list) + '\n********\n【职位描述】\n' + ','.join(job_current_list) + '\n【公司介绍】\n' + ''.join(company_profile_list) + '\n' + '***********************************************************\n'
with open('job.txt', 'a', encoding='utf8') as f:
f.write(job)
item['welfare'] = ','.join(welfare_list)
item['job_require'] = ','.join(job_list)
item['job_desc'] = ''.join(job_current_list)
item['company_profile'] = ''.join(company_profile_list)
yield item
web.close()
web.quit()
def closed(self, spider):
print("spider closed")
self.browser.close()
self.browser.quit()
setting.py
-----------------------------------------------------------------------------
最后将请求的数据通过管道，保存到MongoDB数据库
pipelines.py
from zhilian import settings
import pymongo
class ZhilianPipeline(object):
def __init__(self):
self.connection = pymongo.MongoClient(settings.MONHOST, settings.MONPORT, connect=False)
# 如果mongodb数据库有权限，设置用户名和密码
# self.connection.admin.authenticate(settings.MONGO_USER, settings.MONGO_PSW)
db = self.connection[settings.MONDB]
self.collection1 = db[settings.COLLECTION1]
def process_item(self, item, spider):
item = dict(item)
self.collection1.insert_one(item)
return item
具体的详细信息，是重新创建了一个browser，然后去请求，循环完之后关闭该browser。
爬取智联的时候还碰到一个问题，就是同一个url用浏览器访问和你用selenium调用浏览器去访问，完全是不同的页面，所以获取数据的xpath需要重新写
这是保存在TXT中的数据
mongodb中保存的数据
当然没有做下一步的处理，只是一个简单的获取。
代码有瑕疵，这样贴上去有点乱，可以优化的地方还有很多
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2018-10-12，如有侵权请联系 cloudcommunity@tencent.com 删除
本文分享自 Python爬虫scrapy 微信公众号，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体同步曝光计划 ，欢迎热爱写作的你一起参与！
评论
登录后参与评论
推荐阅读
相关产品与服务
消息队列
腾讯云消息队列 TDMQ 是分布式架构中的重要组件，提供异步通信的基础能力，通过应用解耦降低系统复杂度，提升系统可用性和可扩展性。TDMQ 产品系列提供丰富的产品形态，包含 CKafka、RocketMQ、RabbitMQ、Pulsar、CMQ 五大产品，覆盖在线和离线场景，满足金融、互联网、教育、物流、能源等不同行业和场景的需求。
腾讯云开发者
