Python爬虫——教你使用Scrapy框架爬取腾讯招聘信息

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：

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

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：

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。

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

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。

settings.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；

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

好了，爬取腾讯招聘就讲到这里了，感谢观看！！！

– END –