1月
11

scrapy爬取腾讯招聘岗位到mongoDB中

爬虫

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

python

1
2
3

scrapy startproject myspiders
#cd到 myspiders 文件夹下
scrapy genspider myspider tencent.com

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：

python

# -*- coding: utf-8 -*-
import scrapy


class MyspiderSpider(scrapy.Spider):
    name = 'myspider'
    allowed_domains = ['tencent.com']
    start_urls = ['https://hr.tencent.com/position.php']

    def parse(self, response):
        tr_list = response.xpath("//table[@class='tablelist']/tr")[1:-1]
        for tr in tr_list:
            item={}
            item["title"] = tr.xpath("./td[1]/a/text()").extract_first()
            item["type"] = tr.xpath("./td[2]/text()").extract_first()
            item["position"] = tr.xpath("./td[4]/text()").extract_first()
            item["date"] = tr.xpath("./td[5]/text()").extract_first()
            yield item

        #找下一页地址
        next_url = response.xpath("//a[@id='next']/@href").extract_first()
        if next_url != "javascript:;":
            next_url = "http://hr.tencent.com/"+next_url
            yield scrapy.Request(
                next_url,
                callback=self.parse
            )

pipelines.py如下：

python

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

from pymongo import MongoClient

client = MongoClient(host="127.0.0.1",port=27017)
collection = client["tencent"]["job"]

class MyspidersPipeline(object):
    def process_item(self, item, spider):
        print(item)
        collection.insert(item)
        return item

写完之后返回命令行，运行

python

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。

pokemonlei

陈磊的博客 | pokemonlei

scrapy爬取腾讯招聘岗位到mongoDB中

前言

建立项目

写在后面