前言
最近正值一年一度的春招时刻,看到一堆学弟学妹忙着准备简历和面试,默默地打开了腾讯的招聘网站,https://hr.tencent.com/position.php ,打算爬取一下所有的岗位信息,工作地点,类型,以及日期。
借此来复习一下Scrapy这个框架的基本使用,爬取的数据则是存储在本地的MongoDB数据库中。
Scrapy的架构图如下:
Scrapy主要包括了以下组件:
- 引擎(Scrapy)
- 用来处理整个系统的数据流, 触发事务(框架核心)
- 调度器(Scheduler)
- 用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
- 下载器(Downloader)
- 用于下载网页内容, 并将网页内容返回给spider(Scrapy下载器是建立在twisted这个高效的异步模型上的)
- 爬虫(Spiders)
- 爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
- 项目管道(Pipeline)
- 负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
- 下载器中间件(Downloader Middlewares)
- 位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
- 爬虫中间件(Spider Middlewares)
- 介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
- 调度中间件(Scheduler Middewares)
- 介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程大概如下:
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 引擎把URL封装成一个请求(Request)传给下载器
- 下载器把资源下载下来,并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体(Item),则交给实体管道进行进一步的处理
- 解析出的是链接(URL),则把URL交给调度器等待抓取
建立项目
假设已经安装好mongodb数据库和scrapy。
windows下,cd到对应的文件夹目录
1 | scrapy startproject myspiders |
这之后在项目的spiders文件夹下,会生成一个 myspider.py 的文件,修改里面的 start_urls为我们的起始地址 https://hr.tencent.com/position.php
settings.py文件中,去掉 ITEM_PIPELINES 的注释,以使pipelines.py文件可以使用
settings.py中添加一行log等级,过滤一下多余log,LOG_LEVEL = “WARNING”
settings.py中的USER_AGENT取消注释,并改为自己浏览器的useragent
Request参数参考:scrapy.http.Request(url[, callback, method=’GET’, headers, body, cookies, meta, encoding=’utf-8’, priority=0, dont_filter=False, errback])
myspider.py代码如下:
1 | # -*- coding: utf-8 -*- |
pipelines.py如下:
1 | # -*- coding: utf-8 -*- |
写完之后返回命令行,运行
1 | scrapy crawl myspider |
程序结果,MongoDB数据库中的结果如下:
写在后面
scrapy这个框架极其强大,它也提供了多种类型爬虫的基类,如BaseSpider、sitemap爬虫等,这里只是用到了最基本的几个用法。之后有机会借用其他例子来更深入理解。