分析
使用crawlspider结合linkextractor和rule爬取网页信息
linkextractor用于定义链接提取规则，一般使用allow参数即可
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
linkextractor(allow=(), # 使用正则定义提取规则 deny=(), # 排除规则 allow_domains=(), # 限定域名范围 deny_domains=(), # 排除域名范围 restrict_xpaths=(), # 使用xpath定义提取队则 tags=('a', 'area'), attrs=('href',), canonicalize=false, unique=true, process_value=none, deny_extensions=none, restrict_css=(), # 使用css选择器定义提取规则 strip=true): |
rule用于定义crawlspider的爬取规则，由spider内部自动识别，提交请求、获取响应，交给callback指定的回调方法处理response
如果指定了callback，参数follow默认为false；如果callback为none，follow默认为true
|
1
2
3
4
5
6
|
rule(link_extractor, # linkextractor对象,必选参数 callback=none, # 回调方法,可选 cb_kwargs=none, follow=none, # 是否进行深度爬取,true、false process_links=none, # 用于处理链接(有些反爬策略是返回假的url) process_request=identity) |
源码
items.py
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
class bosszhipinitem(scrapy.item): """boss直聘pytho职位爬虫item""" # 职位名称 position=scrapy.field() # 公司名称 company=scrapy.field() # 薪资 salary=scrapy.field() # 工作地点 location=scrapy.field() # 学历要求 education=scrapy.field() # 工作时间 year=scrapy.field() |
spiders/bosszhipin_spider.py
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
|
# !/usr/bin/env python# -*- coding:utf-8 -*-import scrapyfrom scrapy.spider import crawlspider,rulefrom scrapy.linkextractors import linkextractorfrom myscrapy.items import bosszhipinitemclass bosszhipinspider(crawlspider): """ boss直聘python职位爬虫spider 使用crawlspider基类实现 """ name = 'bosszhipin' allowed_domains=['zhipin.com',] start_urls=['http://www.zhipin.com/c100010000/h_100010000/?query=python&page=1',] # 链接提取器对象(规定链接提取规则) link_extractor=linkextractor(allow=(r'page=\d+')) # 链接提取规则对象列表 # 自动调用callback指定的方法,去取爬取由link_extractor指定的链接提取规则匹配到的url # 原理:link_extractor.extract_links(response)返回匹配到的链接 rules = [ rule(link_extractor=link_extractor,callback='parse_page',follow=true), ] def parse_page(self,response): """定义回调方法,用于解析每个response对象""" job_list=response.xpath('//div[@class="job-list"]//li') for job in job_list: position = job.xpath('.//div[@class="info-primary"]//h3[@class="name"]/a/text()')[0].extract() salary =job.xpath('.//div[@class="info-primary"]//h3[@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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
class bosszhipinpipeline(object): """boss直聘python职位爬虫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
|
1
2
3
|
item_pipelines = { 'myscrapy.pipelines.bosszhipinpipeline': 1,} |
运行结果
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对服务器之家的支持。如果你想了解更多相关内容请查看下面相关链接
原文链接：https://blog.csdn.net/topleeyap/article/details/78907149
