32、出任爬虫公司CEO（爬取职友网招聘信息）

职友集，搜索到全国上百家招聘网站的最新职位。

 

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

 

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    前10家公司的招聘信息（公司名称、职位、工作地点和招聘要求）

    最佳口碑雇主    前10家公司的招聘信息（公司名称、职位、工作地点和招聘要求）

    最多粉丝企业榜    前10家公司的招聘信息（公司名称、职位、工作地点和招聘要求）

    最多评论企业榜    前10家公司的招聘信息（公司名称、职位、工作地点和招聘要求）

 

1、创建 职友网 项目 zhiyou

 

D:USERDATApython>scrapy startproject zhiyou
New Scrapy project 'zhiyou', using template directory 'c:userswww1707appdatalocalprogramspythonpython37libsite-packagesscrapy	emplatesproject', created in:
    D:USERDATApythonzhiyou

You can start your first spider with:
    cd zhiyou
    scrapy genspider example example.com

D:USERDATApython>cd zhiyou

D:USERDATApythonzhiyou>

 

2、创建爬虫文件  D:USERDATApythonzhiyouzhiyouspiderszhiyou.py

 

import scrapy
import bs4
import re
import requests
import math
from ..items import ZhiyouItem

class ZhiyouItemSpider(scrapy.Spider):
    name = 'zhiyou'
    allowed_domains   = ['www.jobui.com']
    start_urls = ['https://www.jobui.com/rank/company/']

    def parse(self,response):
        bs = bs4.BeautifulSoup(response.text,'html.parser')
        datas = bs.find_all('a',href=re.compile('^/company/'))
        for data in datas:
            company_id = data['href']
            company_url = 'https://www.jobui.com{}jobs/'.format(company_id)
            yield scrapy.Request(company_url,callback=self.parse_company)

    def parse_company(self,response):
        bs = bs4.BeautifulSoup(response.text,'html.parser')
        try:
            jobs = int(bs.find('p',class_='m-desc').text.split(' ')[1])
            job_page = math.ceil(jobs / 15) + 1
            company_url = str(response).split(' ')[1].replace('>','')
#            for i in range(1,job_page):
            for i in range(1,2):
                job_url = '{}p{}'.format(company_url,i)
                yield scrapy.Request(job_url,callback=self.parse_job)
        except:
            pass

    def parse_job(self,response):
        bs = bs4.BeautifulSoup(response.text,'html.parser')
        datas = bs.find_all('div',class_='job-simple-content')
        company_name = bs.find('h1',id='companyH1')['data-companyname']
        for data in datas:
            item = ZhiyouItem()
            item['company'] = company_name
            item['job']     = data.find('h3').text
            item['city']    = data.find('span').text
            item['desc']    = data.find_all('span')[1].text
            yield item

3、编辑settings.py

 

BOT_NAME = 'zhiyou'

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

USER_AGENT = 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'

ROBOTSTXT_OBEY = False

FEED_URI = './s.csv'
FEED_FORMAT='CSV'
FEED_EXPORT_ENCODING='utf-8-sig'

DOWNLOAD_DELAY = 0.5

ITEM_PIPELINES = {
    'zhiyou.pipelines.ZhiyouPipeline': 300,
}

4、编辑 items.py

 

import scrapy

class ZhiyouItem(scrapy.Item):
    company = scrapy.Field()
    job = scrapy.Field()
    city = scrapy.Field()
    desc = scrapy.Field()

5、编辑pipelines.py 

 

import openpyxl

class ZhiyouPipeline(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['job'], item['city'], item['desc']]
        #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('./s.xlsx')
        #保存文件
        self.wb.close()
        #关闭文件

6、在D:USERDATApythondangdang 下执行命令 scrapy crawl zhiyou

 

 

---

Scrapy 核心代码，callback

 

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


class JobuiSpider(scrapy.Spider):
    name = 'jobs'
    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('h3').find('a').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('span',class_="col80").text
            #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('span',class_="col150").text
            #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