分布式爬虫scrapy-redis的蜘蛛基本配置

scrapy配置


# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
import re
import datetime
from datetime import timedelta
# from Qiji_Project.items import DhinahrItem

from scrapy_redis.spiders import RedisCrawlSpider#爬虫集成 

给redis加一个key 启动爬虫

lpush chinahrspider:start_urls http://www.chinahr.com/
class ChinahrSpider(RedisCrawlSpider):
    name = 'chinahr'

    allowed_domains = ['chinahr.com']
    
    # start_urls = ['http://www.chinahr.com/']

    # 启动所有slaver端的爬虫指令,参考格式,建议采用这种格式    
    
    redis_key = 'chinahrspider:start_urls'
    #匹配路径
    rules = (
        Rule(LinkExtractor(allow=r'.chinahr.com/job/\d+.html'), callback='parse_item', follow=False),
        Rule(LinkExtractor(allow=r'.chinahr.com/job/\d+.html?searchplace='), callback='parse_item', follow=False),
        Rule(LinkExtractor(allow=r'.chinahr.com/sou/'), follow=True),
        Rule(LinkExtractor(allow=r'.chinahr.com/.*/jobs/\d+/'), follow=True),
    )
    num_pattern = re.compile(r'\d+')

    # 页面解析函数

    def parse_item(self, response):
        # item = DhinahrItem()
        item = {}
        # 链接
        url = response.url
        # print(url)
        # 职位名称
        pname = response.xpath('//div[@class="base_info"]//span[@class="job_name"]/text()').extract()
        if pname:
            pname = pname[0]
        else:
           pname = None
        # 工资
        money = response.xpath('//span[@class="job_price"]/text()').extract()
        if money:
            money = money[0]
            smoney,emoney = self.process_money(money)
        else:
            smoney,emoney = None,None
        # 工作城市
        location = response.xpath('//div[@class="job_require"]//span[@class="job_loc"]/text()').extract()
        if location:
            location = location[0]
        else:
            location = None
        # 工作经历
        year = response.xpath('//div[@class="job_require"]//span[@class="job_exp"]/text()').extract()
        if year:
            year = year[0]
            syear, eyear = self.process_year(year)
        else:
            syear, eyear = None,None
        # 学历
        degree = response.xpath('//div[@class="job_require"]//span[4]/text()').extract()
        if degree:
            degree = degree[0]
        else:
            degree = None
        # 工作类型
        ptype = response.xpath('//div[@class="job_require"]//span[3]/text()').extract()
        if ptype:
            ptype = ptype[0]
        else:
            ptype = None

        tags = None
        # 发布时间
        date_pub = response.xpath('//p[@class="updatetime"]/text()').extract()
        if date_pub:
            date_pub = date_pub[0]
            date_pub = self.process_date(date_pub)
        else:
           date_pub = None
        # 福利
        advantage = response.xpath('//ul[@class="clear"]//li/text()').extract()
        if advantage:
            advantage = advantage[0]
        else:
            advantage = None
        # 工作描述
        jobdesc = response.xpath('//div[@class="job_intro_info"]/text()').extract()
        if jobdesc:
            jobdesc = self.process_desc(jobdesc)
        else:
            jobdesc = None
        # 工作地点
        jobaddr = response.xpath('//div[@class="job_require"]//span[@class="job_loc"]/text()').extract()
        if jobaddr:
            jobaddr = jobaddr[0]
        else:
            jobaddr = None
        # 公司名称
        company = response.xpath('//div[@class="job-detail-r"]//h4/a/text()').extract()
        if company:
            company = company[0]
        else:
            company = None
        # 抓取时间
        crawl_time = datetime.datetime.now().strftime('%Y-%m-%d')

        # print(url,pname,smoney,emoney,eyear,syear,degree,ptype,tags,date_pub,advantage,jobdesc,jobaddr,company,crawl_time)
        item["url"] = url
        item["pname"] = pname
        item["smoney"] = smoney
        item["emoney"] = emoney
        item["location"] = location
        item["syear"] = syear
        item["eyear"] = eyear
        item["degree"] = degree
        item["ptype"] = ptype
        item["tags"] = tags
        item["date_pub"] = date_pub
        item["advantage"] = advantage
        item["jobdesc"] = jobdesc
        item["jobaddr"] = jobaddr
        item["company"] = company
        item["crawl_time"] = crawl_time
        # if item['pname'] != None:
        yield item

    # 发布时间处理
    def process_date(self,value):
        if '今天' in value:
            date_pub = datetime.datetime.now().strftime('%Y-%m-%d')
        elif '昨天' in value:
            date_pub = (datetime.datetime.now() - timedelta(days=int(24))).strftime('%Y-%m-%d')
        else:
            res = self.num_pattern.search(value).group()
            date_pub = (datetime.datetime.now() - timedelta(days=int(res))).strftime('%Y-%m-%d')
        return date_pub
    # 工作经历处理
    def process_year(self,value):
        if '应届' in value:
            syear = 0
            eyear = 0
        else:
            res = self.num_pattern.search(value)
            if res is None:
                syear = None
                eyear = None
            else:
                syear = res.group()
                eyear = res.group()
        return syear,eyear
    # 工资处理
    def process_money(self,value):
        if "面" not in value:
            smoney = value.split('-')[0]
            emoney = value.split('-')[1]
        else:
            smoney = 0
            emoney = 0
        return smoney,emoney
    # 工作详情处理
    def process_desc(self,value):
        jobdesc = ''.join(value).replace('\r\n','').strip()
        return jobdesc

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 210,914评论 6 490
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 89,935评论 2 383
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 156,531评论 0 345
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,309评论 1 282
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,381评论 5 384
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,730评论 1 289
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,882评论 3 404
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,643评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,095评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,448评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,566评论 1 339
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,253评论 4 328
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,829评论 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,715评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,945评论 1 264
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,248评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,440评论 2 348

推荐阅读更多精彩内容