第14关. 出任爬虫公司CEO

其他 2020-02-09 14:06:46 阅读次数: 0

上一关，我们学习了Scrapy框架，知道了Scrapy爬虫公司的结构和工作原理。

在这里插入图片描述

在Scrapy爬虫公司里，引擎是最大的boss，统领着调度器、下载器、爬虫和数据管道四大部门。

这四大部门都听命于引擎，视引擎的需求为最高需求。

在这里插入图片描述

我们还通过实操爬取豆瓣Top250图书的项目，熟悉了Scrapy的用法。

在这里插入图片描述

这一关，我会带你实操一个更大的项目——用Scrapy爬取招聘网站的招聘信息。

icon
你可以借此体验一把当Scrapy爬虫公司CEO的感觉，用代码控制并操作整个Scrapy的运行。

icon
那我们爬取什么招聘网站呢？在众多招聘网站中，我挑选了职友集。这个网站可以通过索引的方式，搜索到全国上百家招聘网站的最新职位。
在这里插入图片描述

现在，请你用浏览器打开职友集的网址链接（一定要打开哦）：

icon
https://www.jobui.com/rank/company/

icon
我们先对这个网站做初步的观察，这样我们才能明确项目的爬取目标。

明确目标

打开网址后，你会发现：这是职友集网站的地区企业排行榜，里面含有本月人气企业榜、最佳口碑雇主、最多粉丝企业榜和最多评论企业榜四个榜单。

在这里插入图片描述

点击【北京字节跳动科技有限公司】，会跳转到这家公司的详情页面，再点击【招聘】，就能看到这家公司正在招聘的所有岗位信息。

在这里插入图片描述

初步观察后，我们可以把爬取目标定为：先爬取企业排行榜四个榜单里的公司，再接着爬取这些公司的招聘信息。

icon
每个榜单有10家公司，四个榜单一共就是40家公司。也就是说，我们要先从企业排行榜爬取到这40家公司，再跳转到这40家公司的招聘信息页面，爬取到公司名称、职位、工作地点和招聘要求。

分析过程

明确完目标，我们开始分析过程。首先，要看企业排行榜里的公司信息藏在了哪里。

企业排行榜的公司信息

请你右击打开“检查”工具，点击Network，刷新页面。点开第0个请求company/，看Response，找一下有没有榜单的公司信息在里面。

在这里插入图片描述

一找，发现四个榜单的所有公司信息都在里面。说明企业排行榜的公司信息就藏在html里。

icon
现在请你点击Elements，点亮光标，再把鼠标移到【北京字节跳动科技有限公司】，这时就会定位到含有这家公司信息的元素上。

在这里插入图片描述

点击href="/company/10375749/"，会跳转到字节跳动这家公司的详情页面。详情页面的网址是：

icon
https://www.jobui.com/company/10375749/
在这里插入图片描述

你再把鼠标移到【阿里巴巴集团】，点击href="/company/281097/"，会跳转到阿里公司的详情页面，页面的网址为：

icon
https://www.jobui.com/company/281097/

icon
我们可以猜到：/company/+数字/应该是公司id的标识。这么一观察，榜单上的公司详情页面的网址规律我们就得出来了。

在这里插入图片描述

那么，我们只要把元素的href属性的值提取出来，就能构造出每家公司详情页面的网址。

icon
构造公司详情页面的网址是为了后面能获得详情页面里的招聘信息。

icon
现在，我们来分析html的结构，看看怎样才能把元素href属性的值提取出来。

在这里插入图片描述

仔细观察html的结构，你会发现，每个公司信息都藏在一个

  • 元素里，而每5个
  • 元素都从属与一个
      标签。这是一个层层嵌套的关系。

    • icon
    我们想拿到所有元素href属性的值。我们当然不能直接用find_all()抓取标签，原因也很简单：这个页面有太多的标签，会抓出来很多我们不想要的信息。

    icon
    一个稳妥的方案是：先抓取最外层的

    icon
    这里没有通过抓

  • 元素来获取元素href属性的值，是因为
  • 元素没有class属性，也没有id属性，并不方便我们定位和提取。

    • 分析到这里，我们已经知道公司详情页面的网址规律，和如何提取元素href属性的值。

    icon
    接下来，我们需要分析的就是，每家公司的详情页面。

    公司详情页面的招聘信息

    我们打开【北京字节跳动科技有限公司】的详情页面，点击【招聘】。这时，网址会发生变化，多了jobs的参数。

    在这里插入图片描述

    如果你多点击几家公司的详情页面，查看招聘信息，就会知道：公司招聘信息的网址规律也是有规律的。

    icon
    比如，阿里的招聘信息的网址是：

    icon
    https://www.jobui.com/company/281097/jobs/

    在这里插入图片描述

    接着，我们需要找找看公司的招聘信息都存在了哪里。

    icon
    还是在字节跳动公司的招聘信息页面，右击打开“检查”工具，点击Network，刷新页面。我们点击第0个请求jobs/，查看Response，翻找看看里面有没有这家公司的招聘信息。

    在这里插入图片描述

    在Response里我们找到了想要的招聘信息。这说明公司的招聘信息依旧是藏在了html里。

    icon
    接下来，你应该知道要分析什么了吧。

    icon
    分析的套路都是相同的，知道数据藏在html后，接着是分析html的结构，想办法提取出我们想要的数据。

    icon
    那就按照惯例点击Elements，然后点亮光标，把鼠标移到公司名称吧。

    在这里插入图片描述

    公司名称藏在

    标签下的 元素的文本中。按道理来说，我们可以通过class属性，定位到
    的这个标签，取出
    标签的文本，就能拿到公司名称。

    icon
    不过经过我几次的操作试验，发现职友集这个网站间隔一段时间就会更换这个标签的名字（可能你此时看到的标签名不一定是

    ）。

    icon
    为了保证一定能取到公司名称，我们改成用id属性（id=“companyH1”）来定位这个标签。这样，不管这个标签名字如何更换，我们依旧能抓到它。

    icon
    下面，再把鼠标移到岗位名称，看看招聘的岗位信息可以怎么提取。

    在这里插入图片描述

    你会发现：每个岗位的信息都藏在一个

  • 标签下，职位名称在元素的文本中，工作地点在元素里，职位要求在元素里。

    • icon
    这样分析下来，我们想要的招聘信息，包括公司名称、职位名称、工作地点和职位要求，都定位清楚了。

    在这里插入图片描述

    至此，我们分析完了整个爬取过程，接下来就是代码实现啦。

    代码实现

    在这里插入图片描述

    我们按照Scrapy正常的用法一步步来。首先，我们必须创建一个Scrapy项目。

    创建项目

    icon
    还记得怎么创建吗？打开本地电脑的终端（windows：Win+R，输入cmd；mac：command+空格，搜索“终端”），跳转到你想要保存项目的目录下，输入创建Scrapy项目的命令：scrapy startproject jobui（jobui是职友集网站的英文名，在这里我们把它作为Scrapy项目的名字）。

    icon
    创建好项目后，你在本地电脑的编译器打开这个Scrapy项目，会看到如下的结构：

    在这里插入图片描述

    提醒：由于课堂教学环境的限制，后面你在课堂的终端里看不到这样的结构。你看到会是一个个的py文件，但实际上它们都是有层级结构的，只是没有显示出来。

    定义item

    icon
    我们刚刚分析的时候，已经确定要爬取的数据是公司名称、职位名称、工作地点和招聘要求。

    icon
    那么，现在请你写出定义item的代码（提示：如果是在本地电脑写的话，是要在items.py这个文件里定义item的）。

    下面，是我写的定义item的代码。

    import scrapy

class JobuiItem(scrapy.Item):
#定义了一个继承自scrapy.Item的JobuiItem类
    company = scrapy.Field()
    #定义公司名称的数据属性
    position = scrapy.Field()
    #定义职位名称的数据属性
    address = scrapy.Field()
    #定义工作地点的数据属性
    detail = scrapy.Field()
    #定义招聘要求的数据属性

    创建和编写爬虫文件

    定义好item，我们接着要做的是在spiders里创建爬虫文件，命名为jobui_ jobs。

    在这里插入图片描述

    现在，我们可以开始在这个爬虫文件里编写代码。

    icon
    先导入所需的模块：

    import scrapy  
import bs4
from ..items import JobuiItem

    接下来，是编写爬虫的核心代码。我会先带着你理清代码的逻辑，这样等下你才能比较顺利地理解和写出代码。

    icon
    在前面分析过程的步骤里，我们知道要先抓取企业排行榜40家公司的id标识，比如字节跳动公司的id标识是/company/10375749/。

    在这里插入图片描述

    再利用抓取到的公司id标识构造出每家公司招聘信息的网址。比如，字节跳动公司的招聘信息网址就是https://www.jobui.com+/company/10375749/jobs/

    icon
    我们需要再把每家公司招聘信息的网址封装成requests对象。这里你可能有点不理解为什么要封装成requests对象，我解释一下。

    icon
    如果我们不是使用Scrapy，而是使用requests库的话，一般我们得到一个网址，需要用requests.get()，传入网址这个参数，才能获取到网页的源代码。

    在这里插入图片描述

    而在Scrapy里，获取网页源代码这件事儿，会由引擎交分配给下载器去做，不需要我们自己处理。我们之所以要构造新的requests对象，是为了告诉引擎，我们新的请求需要传入什么参数。

    icon
    这样才能让引擎拿到的是正确requests对象，交给下载器处理。

    icon
    既然构造了新的requests对象，我们就得定义与之匹配的用来处理response的新方法。这样才能提取出我们想要的招聘信息的数据。

    icon
    好啦，核心代码的逻辑我们理清楚了。

    在这里插入图片描述

    我们接着往下写核心代码。

    #导入模块
import scrapy
import bs4
from ..items import JobuiItem

class JobuiSpider(scrapy.Spider):  
#定义一个爬虫类JobuiSpider
    name = 'jobui'                  
    #定义爬虫的名字为jobui
    allowed_domains = ['www.jobui.com']
    #定义允许爬虫爬取网址的域名——职友集网站的域名
    start_urls = ['https://www.jobui.com/rank/company/']
    #定义起始网址——职友集企业排行榜的网址

    def parse(self, response):
    #parse是默认处理response的方法
        bs = bs4.BeautifulSoup(response.text, 'html.parser')
        #用BeautifulSoup解析response（企业排行榜的网页源代码）
        ul_list = bs.find_all('ul',class_="textList flsty cfix")
        #用find_all提取<ul class_="textList flsty cfix">标签
        for ul in ul_list:
        #遍历ul_list
            a_list = ul.find_all('a')
            #用find_all提取出<ul class_="textList flsty cfix">元素里的所有<a>元素
            for a in a_list:
            #再遍历a_list
                company_id = a['href']
                #提取出所有<a>元素的href属性的值，也就是公司id标识
                url = 'https://www.jobui.com{id}jobs'
                real_url = url.format(id=company_id)
                #构造出公司招聘信息的网址链接

    第6-13行代码：定义了爬虫类JobuiSpider、爬虫的名字jobui、允许爬虫爬取的域名和起始网址。

    icon
    剩下的代码，你应该都能看懂。我们用默认的parse方法来处理response（企业排行榜的网页源代码）；用BeautifulSoup来解析response；用find_all方法提取数据（公司id标识）。

    在这里插入图片描述

    公司id标识就是元素的href属性的值，我们想要把它提取出来，就得先抓到所有最外层的

    icon
    所以这里用了两个for循环，把元素的href属性的值提取了出来，并成功构造了公司招聘信息的网址。

    icon
    代码写到这里，我们已经完成了核心代码逻辑的前两件事：提取企业排行榜的公司id标识和构造公司招聘信息的网址。

    在这里插入图片描述

    接下来，就是构造新的requests对象和定义新的方法处理response。

    icon
    继续来完善核心代码（请你重点看第21行代码及之后的代码）。

    #导入模块：
import scrapy
import bs4
from ..items import JobuiItem

class JobuiSpider(scrapy.Spider):
    name = 'jobui'
    allowed_domains = ['www.jobui.com']
    start_urls = ['https://www.jobui.com/rank/company/']
    
#提取公司id标识和构造公司招聘信息的网址：
    def parse(self, response):
    #parse是默认处理response的方法
        bs = bs4.BeautifulSoup(response.text, 'html.parser')
        ul_list = bs.find_all('ul',class_="textList flsty cfix")
        for ul in ul_list:
            a_list = ul.find_all('a')
            for a in a_list:
                company_id = a['href']
                url = 'https://www.jobui.com{id}jobs'
                real_url = url.format(id=company_id)
                yield scrapy.Request(real_url, callback=self.parse_job)
#用yield语句把构造好的request对象传递给引擎。用scrapy.Request构造request对象。callback参数设置调用parsejob方法。

    def parse_job(self, response):
    #定义新的处理response的方法parse_job（方法的名字可以自己起）
        bs = bs4.BeautifulSoup(response.text, 'html.parser')
        #用BeautifulSoup解析response(公司招聘信息的网页源代码)
        company = bs.find(id="companyH1").text
        #用fin方法提取出公司名称
        datas = bs.find_all('li',class_="company-job-list")
        #用find_all提取<li class_="company-job-list">标签，里面含有招聘信息的数据
        for data in datas:
        #遍历datas
            item = JobuiItem()
            #实例化JobuiItem这个类
            item['company'] = company
            #把公司名称放回JobuiItem类的company属性里
            item['position']=data.find('a').find('h3').text
            #提取出职位名称，并把这个数据放回JobuiItem类的position属性里
            item['address'] = data.find_all('span')[0]['title']
            #提取出工作地点，并把这个数据放回JobuiItem类的address属性里
            item['detail'] = data.find_all('span')[1]['title']
            #提取出招聘要求，并把这个数据放回JobuiItem类的detail属性里
            yield item
            #用yield语句把item传递给引擎

    你应该不理解第22行代码：yield scrapy.Request(real_url, callback=self.parse_job)的意思。我跟你解释一下。

    icon
    scrapy.Request是构造requests对象的类。real_url是我们往requests对象里传入的每家公司招聘信息网址的参数。

    icon
    callback的中文意思是回调。self.parse_job是我们新定义的parse_job方法。往requests对象里传入callback=self.parse_job这个参数后，引擎就能知道response要前往的下一站，是parse_job()方法。

    icon
    yield语句就是用来把这个构造好的requests对象传递给引擎。

    icon
    第26行代码，是我们定义的新的parse_job方法。这个方法是用来解析和提取公司招聘信息的数据。

    icon
    对照下面的招聘信息的数据定位表格，你应该能比较好地理解26-43行代码。

    在这里插入图片描述

    第26-42行代码：提取出公司名称、职位名称、工作地点和招聘要求这些数据，并把这些数据放进我们定义好的JobuiItem类里。

    icon
    最后，用yield语句把item传递给引擎，整个核心代码就编写完啦！ヽ(ﾟ∀ﾟ)ﾒ(ﾟ∀ﾟ)ﾉ

    存储文件

    icon
    至此，我们整个项目还差存储数据这一步。在第6关，我们学过用csv模块把数据存储csv文件，用openpyxl模块把数据存储Excel文件。

    icon
    其实，在Scrapy里，把数据存储成csv文件和Excel文件，也有分别对应的方法。我们先说csv文件。

    icon
    存储成csv文件的方法比较简单，只需在settings.py文件里，添加如下的代码即可。

    FEED_URI='./storage/data/%(name)s.csv'
FEED_FORMAT='CSV'
FEED_EXPORT_ENCODING='ansi'

    FEED_URI是导出文件的路径。’./storage/data/%(name)s.csv’，就是把存储的文件放到与settings.py文件同级的storage文件夹的data子文件夹里。

    icon
    FEED_FORMAT 是导出数据格式，写CSV就能得到CSV格式。

    icon
    FEED_EXPORT_ENCODING 是导出文件编码，ansi是一种在windows上的编码格式，你也可以把它变成utf-8用在mac电脑上。

    icon
    存储成Excel文件的方法要稍微复杂一些，我们需要先在setting.py里设置启用ITEM_PIPELINES，设置方法如下：

    #需要修改`ITEM_PIPELINES`的设置代码：

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
#ITEM_PIPELINES = {
#     'jobui.pipelines.JobuiPipeline': 300,
# }

    只要取消ITEM_PIPELINES的注释（删掉#）即可。

    #取消`ITEM_PIPELINES`的注释后：

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
     'jobui.pipelines.JobuiPipeline': 300,
}

    接着，我们就可以去编辑pipelines.py文件。存储为Excel文件，我们依旧是用openpyxl模块来实现，代码如下，注意阅读注释：

    import openpyxl

class JobuiPipeline(object):
#定义一个JobuiPipeline类，负责处理item
    def __init__(self):
    #初始化函数 当类实例化时这个方法会自启动
        self.wb =openpyxl.Workbook()
        #创建工作薄
        self.ws = self.wb.active
        #定位活动表
        self.ws.append(['公司', '职位', '地址', '招聘信息'])
        #用append函数往表格添加表头
        
    def process_item(self, item, spider):
    #process_item是默认的处理item的方法，就像parse是默认处理response的方法
        line = [item['company'], item['position'], item['address'], item['detail']]
        #把公司名称、职位名称、工作地点和招聘要求都写成列表的形式，赋值给line
        self.ws.append(line)
        #用append函数把公司名称、职位名称、工作地点和招聘要求的数据都添加进表格
        return item
        #将item丢回给引擎，如果后面还有这个item需要经过的itempipeline，引擎会自己调度

    def close_spider(self, spider):
    #close_spider是当爬虫结束运行时，这个方法就会执行
        self.wb.save('./jobui.xlsx')
        #保存文件
        self.wb.close()
        #关闭文件

    修改设置

    icon
    在最后，我们还要再修改Scrapy中settings.py文件里的默认设置：添加请求头，以及把ROBOTSTXT_OBEY=True改成ROBOTSTXT_OBEY=False。

    #需要修改的默认设置:

# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'douban (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = True

    还有一处默认设置我们需要修改，代码如下：

    # Configure a delay for requests for the same website (default: 0)
# See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 0

    我们需要取消DOWNLOAD_DELAY = 0这行的注释（删掉#）。DOWNLOAD_DELAY翻译成中文是下载延迟的意思，这行代码可以控制爬虫的速度。因为这个项目的爬取速度不宜过快，我们要把下载延迟的时间改成0.5秒。

    icon
    改好后的代码如下：

    # Configure a delay for requests for the same website (default: 0)
# See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
DOWNLOAD_DELAY = 0.5

    修改完设置，我们已经可以运行代码。

    在这里插入图片描述

    代码实操

    icon
    我带你完成了核心代码的编写，现在是时候到你自己动手编写一遍这个项目的核心代码。

    icon
    我在课堂的终端帮你建立好的一个Scrapy项目。等下你会看到你所需要编写或修改的py文件，包括定义item的items.py文件、编写核心代码的jobui_ job.py文件、修改设置的settings.py文件和运行Scrapy的main.py文件，以及存储为Excel会用到的pipelines.py文件。Scrapy项目的其他文件，并不会在课程终端显示出来。

    icon
    提示1：除了编写核心代码，还要定义item、修改设置和运行Scrapy。

    提示2：运行Scrapy的方法，在main.py文件里导入cmdline模块，用execute方法执行终端的命令行：scrapy crawl+项目名

    icon
    提示3：课堂终端的多个文件，只有main.py文件是能点击运行的。

    icon
    提示4：存储为csv还是Excel，你可以自己决定。存储为csv只需要更改setting文件，存储为Excel则还需要修改pipelines.py文件。

    icon
    开始代码实操吧~

    # -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class JobuiTestItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    pass

    # -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html


class JobuiTestPipeline(object):
    def process_item(self, item, spider):
        return item

    # -*- coding: utf-8 -*-

# Scrapy settings for jobui_test project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://doc.scrapy.org/en/latest/topics/settings.html
#     https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://doc.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'jobui_test'

SPIDER_MODULES = ['jobui_test.spiders']
NEWSPIDER_MODULE = 'jobui_test.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'jobui_test (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = True

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
#COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}

# Enable or disable spider middlewares
# See https://doc.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'jobui_test.middlewares.JobuiTestSpiderMiddleware': 543,
#}

# Enable or disable downloader middlewares
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'jobui_test.middlewares.JobuiTestDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://doc.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
#ITEM_PIPELINES = {
#    'jobui_test.pipelines.JobuiTestPipeline': 300,
#}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://doc.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

    小结

    icon
    至此，我们使用Scarpy完成了一个完整项目。它涉及了一个爬虫的全程：获取数据，解析数据，提取数据和存储数据。

    icon
    但是必须要指出的是，受篇幅所限，还有许多内容没展开讲：Scarpy的自带解析器怎么用？如何带参数请求数据？如何写入cookies？如何发送邮件？如何与selenium联动？如何完成超厉害的分布式爬虫……如是种种。

    icon
    如是种种，全都讲出来可能还要新增好几个关卡。但是我认为，这不是必要的。

    icon
    一来，你已经学习过用BS解析数据、带参数请求数据、加入cookeies、发邮件、协程……你明白它们的工作原理。

    icon
    二来，你已经明白Scrapy框架的组成和工作原理。

    icon
    只要将两者加以组合，辅以练习，就能轻松掌握。

    icon
    今日的你，只是不知道语法怎么写罢了。而语法问题，是最容易解决的问题，我们可以去阅读官方文档。因为你已具备上述知识，所以这文档读起来也会非常简单。

    icon
    在下一关，我为你准备了对过往知识的总复习、反爬虫策略汇总、对未来爬虫学习的指引，以及一封书信。

    icon
    我们下一关见！

    站内首发文章
    BR_Chen
    发布了71 篇原创文章 · 获赞 19 · 访问量 1万+
    私信 关注

    猜你喜欢

    转载自blog.csdn.net/Theo93/article/details/104215662
    今日推荐
    火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
    北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
    LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
    国产云输入法——仅华为无云端数据上传安全问题
    开源日报 | 工业开源项目OGG 1.0；姐姐，你要和我一起配置火狐吗；苹果AI遥遥落后？Fedora 40
    开放签电子签章：停止新增，优化体验，前进更进（五一假期前工作）
    周排行
    Metasploit文件目录与入侵基本概念
    跨域(CORS)请求问题[No 'Access-Control-Allow-Origin' header is present on the requested resource]常见解决方案
    CodeIgniter 源码解读之 CodeIgniter.php（二）
    SAS入门之（四）改变数据类型
    初识元组
    [数学建模]数学建模算法和模型（B站视频）（二）
    Nginx 服务器源码安装配置流程
    C#实现语音视频录制 【基于MCapture + MFile】
    开发进度4
    下载安装vue的方法网址
    每日归档
    更多
    2024-04-28(0)
    2024-04-27(56)
    2024-04-26(39)
    2024-04-25(22)
    2024-04-24(36)
    2024-04-23(26)
    2024-04-22(39)
    2024-04-21(0)
    2024-04-20(6)
    2024-04-19(5)

    代码天地 © 2018 codetd.com

    境外服务器   最新电视剧2022