您好,登錄后才能下訂單哦!
分析
使用CrawlSpider結合LinkExtractor和Rule爬取網頁信息
LinkExtractor用于定義鏈接提取規則,一般使用allow參數即可
LinkExtractor(allow=(), # 使用正則定義提取規則 deny=(), # 排除規則 allow_domains=(), # 限定域名范圍 deny_domains=(), # 排除域名范圍 restrict_xpaths=(), # 使用xpath定義提取隊則 tags=('a', 'area'), attrs=('href',), canonicalize=False, unique=True, process_value=None, deny_extensions=None, restrict_css=(), # 使用css選擇器定義提取規則 strip=True):
Rule用于定義CrawlSpider的爬取規則,由Spider內部自動識別,提交請求、獲取響應,交給callback指定的回調方法處理response
如果指定了callback,參數follow默認為False;如果callback為None,follow默認為True
Rule(link_extractor, # LinkExtractor對象,必選參數 callback=None, # 回調方法,可選 cb_kwargs=None, follow=None, # 是否進行深度爬取,True、False process_links=None, # 用于處理鏈接(有些反爬策略是返回假的url) process_request=identity)
源碼
items.py
class BosszhipinItem(scrapy.Item): """Boss直聘Pytho職位爬蟲Item""" # 職位名稱 position=scrapy.Field() # 公司名稱 company=scrapy.Field() # 薪資 salary=scrapy.Field() # 工作地點 location=scrapy.Field() # 學歷要求 education=scrapy.Field() # 工作時間 year=scrapy.Field()
spiders/bosszhipin_spider.py
# !/usr/bin/env python # -*- coding:utf-8 -*- import scrapy from scrapy.spider import CrawlSpider,Rule from scrapy.linkextractors import LinkExtractor from myscrapy.items import BosszhipinItem class BosszhipinSpider(CrawlSpider): """ Boss直聘Python職位爬蟲Spider 使用CrawlSpider基類實現 """ name = 'bosszhipin' allowed_domains=['zhipin.com',] start_urls=['http://www.zhipin.com/c100010000/h_100010000/?query=Python&page=1',] # 鏈接提取器對象(規定鏈接提取規則) link_extractor=LinkExtractor(allow=(r'page=\d+')) # 鏈接提取規則對象列表 # 自動調用callback指定的方法,去取爬取由link_extractor指定的鏈接提取規則匹配到的url # 原理:link_extractor.extract_links(response)返回匹配到的鏈接 rules = [ Rule(link_extractor=link_extractor,callback='parse_page',follow=True), ] def parse_page(self,response): """定義回調方法,用于解析每個response對象""" job_list=response.xpath('//div[@class="job-list"]//li') for job in job_list: position = job.xpath('.//div[@class="info-primary"]//h4[@class="name"]/a/text()')[0].extract() salary =job.xpath('.//div[@class="info-primary"]//h4[@class="name"]//span/text()')[0].extract() company =job.xpath('.//div[@class="company-text"]//a/text()')[0].extract() location =job.xpath('.//div[@class="info-primary"]/p/text()[1]')[0].extract() year =job.xpath('.//div[@class="info-primary"]/p/text()[2]')[0].extract() education =job.xpath('.//div[@class="info-primary"]/p/text()[3]')[0].extract() item=BosszhipinItem() item['position']=position item['salary']=salary item['company']=company item['location']=location item['year']=year item['education']=education yield item
pipelines.py
class BosszhipinPipeline(object): """Boss直聘Python職位爬蟲Item Pipeline""" def __init__(self): self.f=open('data/bosszhipin.json',mode='wb') self.f.write(b'[') def process_item(self,item,spider): data=json.dumps(dict(item),ensure_ascii=False,indent=4) self.f.write(data.encode('utf-8')) self.f.write(b',') return item def close_spider(self,spider): self.f.write(b']') self.f.close()
settings.py
ITEM_PIPELINES = { 'myscrapy.pipelines.BosszhipinPipeline': 1, }
運行結果
總結
以上就是這篇文章的全部內容了,希望本文的內容對大家的學習或者工作具有一定的參考學習價值,謝謝大家對億速云的支持。如果你想了解更多相關內容請查看下面相關鏈接
免責聲明:本站發布的內容(圖片、視頻和文字)以原創、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。