SCrapy框架实现对BOSS直聘的爬取
文章目录
- SCrapy框架实现对BOSS直聘的爬取
-
- 对SCrapy框架的一个简单认识
-
- [Scrapy 组件的作用](#Scrapy 组件的作用)
- [Scrapy 数据流](#Scrapy 数据流)
- [1. 测试反爬](#1. 测试反爬)
- [2. 定义一个下载中间件类,截取spiders的请求(中间件直接截取请求,并且返回给Spider进行数据解析)](#2. 定义一个下载中间件类,截取spiders的请求(中间件直接截取请求,并且返回给Spider进行数据解析))
- 数据解析操作
对SCrapy框架的一个简单认识
Scrapy 组件的作用
-
Engine(引擎):负责控制系统所有组件之间的数据流,并在发生某些操作时触发事件。它是整个爬虫的核心。
-
Scheduler(调度器):接收引擎的请求,对请求去重并放入队列中。当引擎请求新的请求时,将队列中的请求按顺序返回给引擎。
-
Downloader(下载器):负责获取网页数据并将其返回给引擎,引擎再将数据传给 Spiders(爬虫)。
-
Spiders(爬虫):解析响应,从中提取出 Items(项目)和新的 Requests(请求)。
-
Item Pipeline(项目管道):处理爬虫提取的项目,包括清理、验证和存储项目。
-
Downloader middlewares(下载器中间件):处理从引擎到下载器的请求和从下载器到引擎的响应,用于在这些过程中修改或替换请求和响应。
-
Spider middlewares(爬虫中间件):处理爬虫的输入(响应)和输出(项目和请求),可以对这些数据进行修改、添加或删除。
Scrapy 数据流
-
初始请求:
- Scrapy 会实例化一个 Crawler 对象,在该对象中创建 Spider 对象和 Engine 对象。
- 通过 Engine 对象打开 Spider,并生成第一个 request(请求)。
-
请求处理流程:
- 步骤 1:Engine 从 Spiders 获取初始请求。
- 步骤 2:Engine 把请求给调度器,并询问下一次请求。
- 步骤 3:Scheduler 对 URL 去重,放到队列中等待,并把下一个 request 返回给 Engine。
- 步骤 4:Engine 把从调度器返回的 request 经过下载中间件交给下载器。
- 步骤 5:Downloader 下载页面后生成一个 Response(响应),并通过下载器中间件将其发送到 Engine。
- 步骤 6:Engine 接收响应,并通过爬虫中间件将其发送到爬虫进行处理。
- 步骤 7:爬虫接收到响应,解析处理响应,提取出 Items 和 新的 Requests,再通过爬虫中间件提交给 Engine。
- 步骤 8:Engine 把接收到的 Items 提交给 Item Pipeline,把接收到的 Requests 提交给调度器。
-
重复过程:
- 重复上述步骤,直到 Scheduler 中没有请求为止。
拿到一个网站爬取需求首先需要进行分析网站的反爬措施,再根据反爬漏洞想到对应的解决方法
1. 测试反爬
python
import time
from random import randint, choice
import requests
url = 'https://ja.58.com/job.shtml?utm_source=sem-baidu-pc&spm=u-2few7p4vh988mb62t1.2few8w827wgt4eurg.kd_201345177084.cr_43861026238.ac_20304970.cd_11302497077865040299'
user_agents = [
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36 Edg/125.0.0.0',
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36 Edg/110.0.0.0',
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.0.0 Safari/537.36 Edg/100.0.0.0'
]
headers = {
'User-Agent': choice(user_agents)
}
response = requests.get(url=url, headers=headers)
with open('test.html', 'w', encoding='utf-8') as f:
f.write(response.text)
# 随机延时 1 到 5 秒
time.sleep(randint(1, 5))
可知直接爬取会被屏蔽,但是正常打开没有问题
因此想到用来selenium库来进行打开操作同时获取cookie保存
python
def getcookie(self, url, cookies):
driver = webdriver.Chrome()
driver.get(url)
time.sleep(6)
dict_cookies = driver.get_cookies()
json_cookies = json.dumps(dict_cookies)
with open(cookies, "w") as fp:
fp.write(json_cookies)
print('Cookies保存成功!')
driver.quit()
def load_cookies(self):
with open(self.cookie_file, "r") as fp:
cookies = json.load(fp)
for cookie in cookies:
if 'domain' in cookie:
del cookie['domain']
self.driver.add_cookie(cookie)
2. 定义一个下载中间件类,截取spiders的请求(中间件直接截取请求,并且返回给Spider进行数据解析)
python
class SeleniumMiddleware:
query = ""
city_id = ""
def __init__(self):
self.cookie_file = 'boss_cookies.json'
# 检查文件是否存在,如果不存在则创建一个空文件
if not os.path.exists(self.cookie_file):
with open(self.cookie_file, 'w') as f:
pass
self.getcookie('https://www.zhipin.com/web/geek/job-recommend', self.cookie_file)
self.driver = webdriver.Chrome()
def getcookie(self, url, cookies):
#此处省略
def load_cookies(self):
#此处省略
def process_request(self, request, spider):
try:
if request.meta.get('first_request', True):
qe = input('请搜索岗位和城市id(空格隔开):').split(' ')
self.query = qe[0]
self.city_id = qe[1]
target_url = f"https://www.zhipin.com/web/geek/job?query={self.query}&city={self.city_id}&page=1"
q: str = self.query
c = self.city_id
request.meta['first_request'] = False
else:
page = int(request.meta.get('page_number'))
target_url = f"https://www.zhipin.com/web/geek/job?query={self.query}&city={self.city_id}&page={page}"
print(f"Fetching URL: {target_url}")
self.driver.get(target_url)
self.load_cookies()
self.driver.refresh()
WebDriverWait(self.driver, 20).until(
EC.presence_of_element_located((By.CLASS_NAME, "job-card-wrapper"))
)
data = self.driver.page_source
return HtmlResponse(url=request.url, body=data, encoding='utf-8', request=request)
except Exception as e:
print(f"An error occurred: {e}")
return HtmlResponse(url=request.url, status=500, request=request)
def __del__(self):
if self.driver:
self.driver.quit()
请求代码
python
WebDriverWait(self.driver, 20).until(
EC.presence_of_element_located((By.CLASS_NAME, "job-card-wrapper"))
)
因为boss直聘具有反爬操作,很多时候能够检测出来不是正常用户,需要用该方法反复进行请求操作直到html页面中能够获取我们想要的标签内容(这个标签下的很多数据都是我们需要进行爬取操作的数据)
数据解析操作
使用Xpath来进行,同时对空数据进行处理
python
import scrapy
from ..items import BossItem
class BossSpider(scrapy.Spider):
name = "boss"
allowed_domains = ["www.zhipin.com"]
start_urls = ["https://www.zhipin.com/"]
page = 1
def parse(self, response):
with open('test.html', 'w', encoding='utf-8') as f:
f.write(response.text)
# 改进的XPath表达式
li_list = response.xpath('//li[@class="job-card-wrapper"]')
print(f"Number of items found: {len(li_list)}===============================================")
for li in li_list:
title = li.xpath(".//span[@class='job-name']/text()").extract_first() or ''
salary = li.xpath(".//span[@class='salary']/text()").extract_first() or ''
area = li.xpath(".//span[@class='job-area']/text()").extract_first() or ''
# 确保提取job_lable_list的正确性
job_lable_list = li.xpath(".//ul[@class='tag-list']//text()").extract()
if len(job_lable_list) >= 2:
experience = job_lable_list[0] or ''
education = job_lable_list[1] or ''
else:
experience = ''
education = ''
company = li.xpath(".//h3[@class='company-name']/a/text()").extract_first() or ''
# 确保提取company_message的正确性
company_message = li.xpath(".//ul[@class='company-tag-list']//text()").extract()
company_type = company_message[0] if company_message else ''
# 提取boon字段
boon = li.xpath('.//div[@class="job_card_footer"]//div[@class="info-desc"]/text()').extract()
boon = boon[0] if boon else None
# 技能
skill_list = li.xpath(
".//div[@class='job-card-footer clearfix']//ul[@class='tag-list']/li/text()").extract() or []
skill = "|".join(skill_list)
# 创建BossItem对象并传递数据
book = BossItem(
title=title,
address=area,
salary=salary,
experience=experience,
education=education,
company=company,
companyType=company_type,
skill_list=skill,
)
yield book
if self.page < 10:
self.page += 1
next_url = f"https://www.zhipin.com/web/geek/job?query=java&city=101210100&page={self.page}"
yield scrapy.Request(
url=next_url,
callback=self.parse,
meta={'page_number': self.page, 'first_request': False}
)
spider/boss.py中代码的注意事项
python
if self.page < 10:
self.page += 1
next_url = f"https://www.zhipin.com/web/geek/job?query=java&city=101210100&page={self.page}"
yield scrapy.Request(
url=next_url,
callback=self.parse,
meta={'page_number': self.page, 'first_request': False}
)
注意:此代码next_url传过去不会真正的被下载器中间件处理,而是为了防止不报错而进行的(不知道哪错了)
中间件部分代码
python
if request.meta.get('first_request', True):
qe = input('请搜索岗位和城市id(空格隔开):').split(' ')
self.query = qe[0]
self.city_id = qe[1]
target_url = f"https://www.zhipin.com/web/geek/job?query={self.query}&city={self.city_id}&page=1"
q: str = self.query
c = self.city_id
request.meta['first_request'] = False
else:
page = int(request.meta.get('page_number'))
target_url = f"https://www.zhipin.com/web/geek/job?query={self.query}&city={self.city_id}&page={page}"
由于csdn下载代码需要开启vip具体代码实现可以访问我的github:
2240774934/Crawler_instances: 最新BOSS直聘爬取以及其他常见网站爬取 (github.com)