一、准备工作
pip3 install scrapy
如果顺利的话,会像本人这样,装了一大堆软件包
二、新建项目
scrapy startproject www_zhipin_com
如果顺利的话,会像本人这样
三、定义要抓取的 Item
在items.py 文件中定义一个类
四、分析页面
一般一条招聘像下面这样
html 结构如下
爬虫中就是使用 css 选择器获取标签里的文字或链接等
五、爬虫代码
在 spiders 目录下新建 zhipin_spider.py
运行脚本
scrapy crawl zhipin -o item.json
这里会在项目目录下生成 item.json 的一个 json 文件
运行情况如下
http://cdn.jtup.cc/blog/video/scrapy_zhipin_demo.mp4
但是不巧,往往这是一个 Unicode 编码的文件,所以需要加个设置
在 settings.py中添加(PS:也可以在运行的时候带上这个参数)
FEED_EXPORT_ENCODING = 'utf-8'
亲测以下方法是不能解决问题的
注意不要爬的太快,因为 BOSS 直聘只会显示20页的招聘信息,所以理论上这个脚本只要执行20次即可,那么间隔时间尽量设置长一点,本人爬的时候设置的是5秒,但是后面稍微快了一点就六字真言了,还好我已经把数据爬到了
慢一点,才能快一点!
可以修改 zhipin_spider.py 第18行 positionUrl 的链接,把 PHP 修改为 Java 或 Python,把城市编码(’c101020100’ == 上海)换成你需要查询的城市,即可爬取自定的岗位,这就很灵性了!
一条json数据如下
使用软件将json文件导入到 MongoDB 中,以备后面的使用
这里招聘的详细要求还没有爬取
刚抓到的数据还没初步处理