python3 [爬虫入门实战]爬虫之scrapy爬取中国医学人才网

我不是女神ヾ 2021-06-10 20:42 541阅读 0赞

> 自己第一次试着用scrapy进行爬取网页，总共爬下9240条数据，也就两分钟不到，400多页吧。用的比较简单，但是爬取成功后感觉成就感满满的。

**来张爬取结果图**  
![这里写图片描述][SouthEast]

> 爬取字段：  
> “hospitalName”: “hospitalDesc”: “hospitalSize”:”hospitalAddress”:

--------------------

> 1爬取字段  
> ![这里写图片描述][SouthEast 1]

#### 这里爬取的内容上面都有标注，只不过，爬取下来没有保存链接（稍微有点小遗憾，白天干兼职很累的，上家公司现在还没发工资。。） ####

--------------------

**（1）先上爬取的信息内容：**

# -*- coding: utf-8 -*-
    
    # Define here the models for your scraped items
    #
    # See documentation in:
    # http://doc.scrapy.org/en/latest/topics/items.html
    
    import scrapy
    
    
    class ChinadoctornetItem(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
    
        # 爬取中国医学人才网的条目(共5个条目)
        # 医院名称
        hospitalName = scrapy.Field()
        # 医院规模
        hospitalSize = scrapy.Field()
        # 医院所在地
        hospitalAddress = scrapy.Field()
        # 医院科目
        hospitalDesc = scrapy.Field()
        # pass

**（2）接着是spider里面的内容**

这里用的是scrapy里面的xpath路径， 具体xpath自己可以用一个chrom helper来进行测试，

我提取的是整个医院的item，`//div[@class='newsjob']/ul/li`

然后下面是提取item里面的内容，在当前路径下用 **.**

自己试着调试着就能搞出来的

直接贴代码：

# encoding=utf8
    import scrapy
    from chinadoctornet.items import ChinadoctornetItem
    
    
    class ChinaDocNet(scrapy.Spider):
        # 启动爬虫的名称
        name = 'docNet'
        # 爬取域名的范围
        allowed_domains = ['yixuezp.com']
        # 爬虫第一个url地址
        start_urls = ['http://www.yixuezp.com/zhaopin?page={}'.format(n) for n in range(0, 464)]  # 463
    
        def parse(self, response):
            # 医院name
            node_list = response.xpath("//div[@class='newsjob']/ul/li")
            items = []
            for node in node_list:
                item = ChinadoctornetItem()
                hospitalName = node.xpath("./a/text()").extract()
                hospitalSize = node.xpath("./span[1]/text()").extract()
                hospitalAddress = node.xpath("./span[2]/text()").extract()
                hospitalDesc = node.xpath("./p/a/text()").extract()
    
                item['hospitalName'] = hospitalName
                item['hospitalSize'] = hospitalSize
                item['hospitalAddress'] = hospitalAddress
                item['hospitalDesc'] = hospitalDesc
                items.append(item)
                # return items # 如果直接return的话，一页数据只会返回一条数据
                yield item #用yield 的话，可以交给下载器，继续执行下一步操作。

**（3）以json格式进行下载数据**

代码：

# -*- coding: utf-8 -*-
    
    # Define your item pipelines here
    #
    # Don't forget to add your pipeline to the ITEM_PIPELINES setting
    # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
    import json
    
    class ChinadoctornetPipeline(object):
        def process_item(self, item, spider):
            return item
    
    
    class JsonWriterPipeline(object):
        def __init__(self):
            self.file = open('中国医学人才网招聘最新招聘专栏2.json', 'w', encoding='utf-8')
    
        def process_item(self, item, spider):
            line = json.dumps(dict(item), ensure_ascii=False) + "\n"
            self.file.write(line)
            return item
    
        def spider_closed(self, spider):
            self.file.close()

最后就是这样子了， 下载器这一块代码是直接复制上一份的，不过，代码都一样，多记想想为什么，就通了。

**settings里面的代码没有动，只是吧ROBOTSTXT\_OBEY设置为False了。**

下次再进行几个网站的爬取，早点找工作啊，还要找些典型的网站进行练手。

### 这个是为：我是呆子爬取的数据 ###

[SouthEast]: /images/20210529/42e8f6a9d7354901887d08265912a986.png
[SouthEast 1]: /images/20210529/bd533c28ff354e4d97e1d550fd42f789.png