python爬虫小试

问题来源:最近想在一品威客上寻找兼职,但是发现一品威客的兼职信息不支持按任务或者投标人数进行排序,因而想通过爬虫将兼职信息爬取下来,然后在本地进行排序查找。


一.搭建scrapy环境

1.安装python3.6
ps:这个网上教程很多

2.安装pywin32
ps:利用pip进行安装,在cmd命令窗口下输入命令:python -m pip install pywin32

3安装Twisted
ps:这个安装可以参https://blog.csdn.net/sinat_35637319/article/details/78940415

4.安装scrapy
利用命令pip install Scrapy 就OK了

二.scrapy的基本命令

1.建立工程命令:scrapy startproject xxx

2.运行工程命令:scrapy crawl xxx

三.在Pycharm进行爬虫开发

scrapy 需要通过命令窗口执行命令scrapy startproject xxx 生成工程(不支持在pycharm上进行工程建立),然后可以利用pycharm进行代码编辑(直接在pycharm上打开这个工程)
若想在pycharm上进行调试,需要如图所示的配置。

pycharm上的环境配置

到此为止,就可以在pycharm上进行开发了。

三.如何爬数据

1.scrapy运行原理

scrapy框架原理图
pycharm工程架构图

scrapy框架数据流与代码执行过程
a. spider->scrapy->Internet
在工程中只需要关心spiders的weike.py的实现

b.Internet->scrapy->spider->pipeline
spiders的weike.py -----(items.py)----->pipelines.py

weike.py :负责提供页面请求的uri以及网页响应得到的数据解析
pipelines.py:负责保存网页响应的数据
items.py:负责保存的载体,是一个字典对象,类似于数据model,
setting.py:负责配置工程的重要参数

2.weike.py的编写

   # -*- coding: utf-8 -*-
import re
import scrapy
from weike.items import WeikeItem

class weike(scrapy.Spider):

    # 爬虫名
    name = "weike"
    
    # 爬虫作用范围
    allowed_domains = ["epwk.com"]

    url = "http://www.epwk.com/soft/task/"
    offset = 1
    string="page%d.html" % offset
    # 起始url
    start_urls = [url + string]

    def parse(self, response):
        cotain=response.xpath("//div[@class='task_class_list_li'] ")
        for each in cotain.xpath("//div[@class='task_class_list_li_box'] "):
                # 初始化模型对象
                    item = WeikeItem()
                    price = each.xpath("./div[1]/h3/b/text()").extract()[0]
                    item['projectPrice']=re.split(u'\xa0',price)[1]
                    projectName= each.xpath("./div[1]/h3/a/text()").extract()[0]
                    item['projectName']=str(projectName).strip()
                    canjiaCount = each.xpath("./div[1]/samp/text()").extract()[0]
                    item['canjiaCount']=re.sub("\D", "", canjiaCount)
                    item['viewCount'] = each.xpath("./div[1]/samp/font/text()").extract()[0]
                    try:
                        item['time1'] = each.xpath("./div[2]/span/span[1]/text() ").extract()[0]
                        item['time2'] = each.xpath("./div[2]/span/span[2]/text() ").extract()[0]
                    except:
                        pass
                    finally:
                        pass
                    yield item

        if self.offset < 10:
            self.offset += 1

        string = "page%d.html" % self.offset
        # 每次处理完一页的数据之后,重新发送下一页页面请求
        # self.offset自增1,同时拼接为新的url,并调用回调函数self.parse处理Response
        yield scrapy.Request(self.url + str(string), callback = self.parse)

3.pipelines.py的编写

# -*- 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
import json


class WeikePipeline(object):
    """
       功能:保存item数据
   """

    def __init__(self):
        self.filename = open("weike.json", "w",encoding='utf-8')

    def process_item(self, item, spider):
        text= json.dumps(dict(item), ensure_ascii=False) + ",\n"
        text.replace(u'\xa0', u' ')
        self.filename.write(bytes.decode(text.encode("utf-8")))
        return item

    def close_spider(self, spider):
        self.filename.close()

4.items.py的编写

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

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class WeikeItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()

    # 金额
    projectPrice = scrapy.Field()
    # 名称
    projectName = scrapy.Field()
    # 投标人数
    canjiaCount = scrapy.Field()
    # 浏览人数
    viewCount = scrapy.Field()
    # 截止日期
    time1 = scrapy.Field()
    time2 = scrapy.Field()

5.setting.py的编写

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


BOT_NAME = 'weike'

SPIDER_MODULES = ['weike.spiders']
NEWSPIDER_MODULE = 'weike.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'Tencent (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = True

# 设置请求头部,添加url
DEFAULT_REQUEST_HEADERS = {
    "User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;",
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'
}

# 设置item——pipelines
ITEM_PIPELINES = {
    'weike.pipelines.WeikePipeline': 300,
}

6.运行结果
点击pycharm中的运行可以得到如下结果weike.json,数据截图如下:


输出结果截图

现在得到的json结果,也可以保存成excel进行分析

总结

参考链接:https://www.cnblogs.com/xinyangsdut/p/7628770.html

最后编辑于
©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 212,884评论 6 492
  • 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 90,755评论 3 385
  • 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 158,369评论 0 348
  • 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 56,799评论 1 285
  • 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 65,910评论 6 386
  • 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 50,096评论 1 291
  • 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 39,159评论 3 411
  • 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 37,917评论 0 268
  • 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 44,360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 36,673评论 2 327
  • 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 38,814评论 1 341
  • 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 34,509评论 4 334
  • 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 40,156评论 3 317
  • 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 30,882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 32,123评论 1 267
  • 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 46,641评论 2 362
  • 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 43,728评论 2 351

推荐阅读更多精彩内容