手把手教你Scrapy框架批量抓取招聘信息

今天药忘吃喽~ 2022-09-09 00:06 150阅读 0赞

相信很多人都希望进腾讯这种大厂工作吧，工资高福利好，那么腾讯公司现在在招哪些职位？职位要求是什么呢？今天我们通过Scrapy框架来爬取腾讯招聘网，一探究竟！

# ** **** ****爬前分析** #

#     #

# 爬取前我们来简单分析一下腾讯的技术岗招聘网页，进入网站并打开开发者工具，如下图所示：    #

![2cc674ce5cefe6c389401443c19a5d48.png][]

通过上图可以知道，职位的数据存放在<div class="recruit-wrap recruit-margin"标签中，那么我们打开网页源代码看看，数据是否存放在网页源代码里面，如下图所示：

![87c41df3a4d49ca14ac5c33435d2eb17.png][]

发现数据没有存放在源代码里面，由此可以推断数据是通过JavaScript渲染出来，那么我们查看Ajax请求，看看Ajax请求中有没有存放职位信息的数据，如下图所示：

![9452ff124ce7d485a16470a775a99d22.png][]

既然有Ajax请求中存放着职位数据，那么我们可以通过Ajax请求来获取，先来看看该请求的URL链接是怎样的：

https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1629464904109&countryId=&cityId=&bgIds=&productId=&categoryId=40001001,40001002,40001003,40001004,40001005,40001006&parentCategoryId=&attrId=&keyword=&pageIndex=2&pageSize=10&language=zh-cn&area=cn

发现该请求的URL那么长，那么我们尝试删减一下该URL的数据，如下所示：

#第一页
    https://careers.tencent.com/tencentcareer/api/post/Query?categoryId=40001001,40001002,40001003,40001004,40001005,40001006&pageIndex=1&pageSize=10&language=zh-cn&area=cn
    
    #第二页
    https://careers.tencent.com/tencentcareer/api/post/Query?categoryId=40001001,40001002,40001003,40001004,40001005,40001006&pageIndex=2&pageSize=10&language=zh-cn&area=cn
    
    #第三页
    https://careers.tencent.com/tencentcareer/api/post/Query?categoryId=40001001,40001002,40001003,40001004,40001005,40001006&pageIndex=3&pageSize=10&language=zh-cn&area=cn

通过简单删减可以得出该URL可以为上面的URL，而且pageIndex的翻页的重要参数。

好了，数据的存储位置和URL已经知道了，接下来我们开始爬取数据。

# ** **** ****实战演练** #

## **1、创建scrapy项目** ##

首先要创建一个scrapy项目，创建方式很简单，只要在执行以下命令即可：

scrapy startproject Tencent

执行命令后，pycharm的项目目录下会多了很多文件，如下图所示：

![ce710fdd6ef4bd9ade6a9de011550f71.png][]

## **2、创建spider爬虫** ##

创建spider爬虫的方式也很简单，只要执行如下命令即可：

scrapy genspider 爬取名 网站域名
    scrapy genspider tencent careers.tencent.com

执行后，在spiders文件夹中会多了一个tencent.py文件，该文件就是刚才创建的spider爬虫，其文件内容下所示：

import scrapy
    
    class Tencent1Spider(scrapy.Spider):
        name = 'tencent'
        allowed_domains = ['careers.tencent.com']
        start_urls = ['http://careers.tencent.com/']
    
        def parse(self, response):
            pass

其中

*  name是我们的爬虫名；
 *  allowed\_domains是域名，也就是爬虫爬取的范围；
 *  start\_urls是爬虫最开始爬取的URL链接；
 *  parse()是用来解析响应、提取数据。

注意：parse()不能修改名字。

## **3、定义字段** ##

在编写代码提取数据前，我们先来在items.py定义爬取的字段，字段类型为scrapy.Field，代码如下所示：

import scrapy
    
    class TencentItem(scrapy.Item):
        # define the fields for your item here like:
        RecruitPostName = scrapy.Field()    #职位名
        LocationName = scrapy.Field()        #地址
        Responsibility = scrapy.Field()        #工作要求

##     ##

## **4、提取数据** ##

定义好字段后，接下来开始在tencent.py中编写代码来提取数据，具体代码如下所示：

import scrapy
    from Tencent.items import TencentItem
    class TencentSpider(scrapy.Spider):
        name = 'tencent'
        allowed_domains = ['careers.tencent.com']
        start_urls = ['https://careers.tencent.com/tencentcareer/api/post/Query?categoryId=40001001,40001002,40001003,40001004,40001005,40001006&pageIndex=1&pageSize=10&language=zh-cn&area=cn']
    
        def parse(self, response):
            json=response.json()
            datas = json.get('Data').get('Posts')
            for data in datas:
                item=TencentItem()
                item['RecruitPostName']=data.get('RecruitPostName'),
                item['LocationName']=data.get('LocationName'),
                item['Responsibility']=data.get('Responsibility').replace('\n','')
                yield item

首先我们导入items.py文件中的TencentItem，再修改start\_urls的URL链接，定义一个json变量来接收网页响应的json()数据，通过for循环把每条职位信息循环遍历并提取我们想要的数据并放在item字典里面，其中item=TencentItem()相当于创建一个空字典item=\{\}，

翻页操作

首页我们已经成功获取到了，接下来要进行翻页操作，具体代码如下所示：

for i in range(2,4):
        next_url=f'https://careers.tencent.com/tencentcareer/api/post/Query？categoryId=40001001,40001002,40001003,40001004,40001005,40001006&pageIndex={i}&pageSize=10&language=zh-cn&area=cn'
        yield scrapy.Request(
            next_url,
            callback=self.parse
            )

首先我们创建一个for循环来进行翻页，调用yield生成器来返回数据给引擎，并调用scrapy.Request()方法，该方法能构建一个requests，同时指定提取数据的callback函数。

## **5、s****ettings.py配置** ##

在启动爬取前，我们先要在settings.py文件中编写一些代码，具体代码如下所示：

LOG_LEVEL="WARNING"    
    ITEM_PIPELINES = {            
       'Tencent.pipelines.TencentPipeline': 300,
    }
    USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'

其中：

*  LOG\_LEVEL的作用的屏蔽log日志的输出；
 *  ITEM\_PIPELINES的作用是开启引擎；

## **6、保存数据** ##

当我们要把数据保存成文件的时候，不需要任何额外的代码，只要执行如下代码即可

scrapy crawl 爬虫名 -o xxx.json         #保存为JSON文件
    scrapy crawl 爬虫名 -o xxx.csv              #保存为csv文件
    scrapy crawl 爬虫名 -o xxx.xml             #保存为xml文件

当要把数据保存在数据库里面或者txt文件时，则需要在pipelines.py文件中编写代码。

好了，全部代码已经编写好了，现在执行以下命令来启动爬虫

scrapy crawl tencent -o tencent.csv

#     #

# ** **** 结果展示** #

![ca884302d23324453ff54a6de9f104d2.png][]

好了，爬取腾讯招聘就讲到这里了！

\- **END -**

本文为转载分享&推荐阅读，若侵权请联系后台删除
    -------------------------------------
    长按识别下方二维码，并关注公众号
    
    1.回复“PY”领取1GB Python数据分析资料
    
    2.回复“BG”领取3GB 名企数据分析报告

[2cc674ce5cefe6c389401443c19a5d48.png]: /images/20220829/4a6187be3e7f464899a23bdbbe5c1397.png
[87c41df3a4d49ca14ac5c33435d2eb17.png]: /images/20220829/ffe99c7a176746f8a288e7fdecaa7420.png
[9452ff124ce7d485a16470a775a99d22.png]: /images/20220829/1b86b1d82ed54a869af45e66ea67e58f.png
[ce710fdd6ef4bd9ade6a9de011550f71.png]: /images/20220829/5990cd474e2847e0bf2db54414439c05.png
[ca884302d23324453ff54a6de9f104d2.png]: /images/20220829/10268d289ee64dd18e9efae33f328754.png