当前位置: 首页 > 开发语言 > Python > 一个1000元的爬虫外包项目,三种爬虫模式给你轻松做出来

一个1000元的爬虫外包项目,三种爬虫模式给你轻松做出来

时间:2021-01-07 22:49来源:未知 点击:
分享到:

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

以下文章来源于青灯编程 ,作者:清风

Python爬虫、数据分析、网站开发等案例教程视频免费在线观看

https://space.bilibili.com/523606542

 

 

对于这个外包给予的网站信息,那么我们就爬取选择第一个吧<猎聘网>,也就简单实现,并不会进行打包处理,以及输入关键字爬取。

本篇文章就使用三种爬虫模式爬取相关数据

1、常规爬取数据

2、多线程爬取数据

3、scrapy框架爬取数据

基本开发环境

  • Python 3.6
  • Pycharm

相关模块的使用

常规爬取数据

import requests
import parsel
import csv

 

多线程爬取数据

import requests
import parsel
import csv
import threading

 

scrapy框架爬取数据

import scrapy
import csv

 

目标网页分析

爬取python招聘信息数据

 

数据获取:

1、标题

2、薪资

3、所在城市

4、学历要求

5、工作经验要求

6、公司名字

7、公司福利

8、公司融资情况

9、简历发布时间

......

该网页是比较简单的,静态网页没有什么可以过多的分析,还是比较简单的。

1、模拟浏览器请求网页,获取网页源代码数据

2、解析网页源代码,提取想要的数据内容

3、将提取的数据内容保存成csv文件,或者其他形式

 

都说比较简单了,那为什么这个外包还价值1000呢?难道外包赚钱真的这么简单么。是不难,但是不意味着1K的外包就很好赚,毕竟别人只是简单的给出几个网站,首先看你是否能爬取其中的数据,其次甲方的要求肯定不至于此。数据量也不简单。所以今天就以三个版本的爬虫爬取数据。

外包的价格高低因素:

  • 任务的难易程度
  • 爬取的数据量
  • 是否紧急需要
  • 是否需要源码
  • 后期是否需要更新代码

...

常规爬虫代码

复制代码
import requests
import parsel
import csv


f = open('data.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['标题', '薪资', '城市',
                                           '学历', '工作经验', '公司名字',
                                           '融资情况', '公司福利', '招聘时间',
                                           '简历反馈时间'
                                           ])
csv_writer.writeheader()




for page in range(0, 10):
    url = 'https://www.liepin.com/zhaopin/'
    params = {
        'compkind': '',
        'dqs': '',
        'pubTime': '',
        'pageSize': '40',
        'salary': '',
        'compTag': '',
        'sortFlag': '',
        'degradeFlag': '0',
        'compIds': '',
        'subIndustry': '',
        'jobKind': '',
        'industries': '',
        'compscale': '',
        'key': 'python',
        'siTag': 'I-7rQ0e90mv8a37po7dV3Q~fA9rXquZc5IkJpXC-Ycixw',
        'd_sfrom': 'search_fp',
        'd_ckId': 'cd74f9fdbdb63c6d462bad39feddc7f1',
        'd_curPage': '2',
        'd_pageSize': '40',
        'd_headId': 'cd74f9fdbdb63c6d462bad39feddc7f1',
        'curPage': page,
    }
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'}
    response = requests.get(url=url, params=params, headers=headers)
    selector = parsel.Selector(response.text)
    lis = selector.css('div.job-content div:nth-child(1) ul li')
    for li in lis:
        title = li.css('.job-info h3 a::text').get().strip()
        money = li.css('.condition span.text-warning::text').get()
        city = li.css('.condition .area::text').get()
        edu = li.css('.condition .edu::text').get()
        experience = li.css('.condition span:nth-child(4)::text').get()
        company = li.css('.company-name a::text').get()
        financing = li.css('.field-financing span::text').get()
        temptation_list = li.css('p.temptation.clearfix span::text').getall()
        temptation_str = '|'.join(temptation_list)
        release_time = li.css('p.time-info.clearfix time::text').get()
        feedback_time = li.css('p.time-info.clearfix span::text').get()
        dit = {
            '标题': title,
            '薪资': money,
            '城市': city,
            '学历': edu,
            '工作经验': experience,
            '公司名字': company,
            '融资情况': financing,
            '公司福利': temptation_str,
            '招聘时间': release_time,
            '简历反馈时间': feedback_time,
        }
        csv_writer.writerow(dit)
        print(dit)
复制代码

 

实现效果

 

多线程爬虫

复制代码
import requests
import parsel
import csv
import threading


f = open('data_1.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['标题', '薪资', '城市',
                                           '学历', '工作经验', '公司名字',
                                           '融资情况', '公司福利', '招聘时间',
                                           '简历反馈时间'
                                           ])
csv_writer.writeheader()



def get_response(html_url, p):
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'}
    response = requests.get(url=html_url, params=p, headers=headers)
    return response


def get_parsing(html_data):
    selector = parsel.Selector(html_data)
    return selector


def main(p):
    url = 'https://www.liepin.com/zhaopin/'
    html_data = get_response(url, p).text
    selector = get_parsing(html_data)
    lis = selector.css('div.job-content div:nth-child(1) ul li')
    for li in lis:
        title = li.css('.job-info h3 a::text').get().strip()
        money = li.css('.condition span.text-warning::text').get()
        city = li.css('.condition .area::text').get()
        edu = li.css('.condition .edu::text').get()
        experience = li.css('.condition span:nth-child(4)::text').get()
        company = li.css('.company-name a::text').get()
        financing = li.css('.field-financing span::text').get()
        temptation_list = li.css('p.temptation.clearfix span::text').getall()
        temptation_str = '|'.join(temptation_list)
        release_time = li.css('p.time-info.clearfix time::text').get()
        feedback_time = li.css('p.time-info.clearfix span::text').get()
        dit = {
            '标题': title,
            '薪资': money,
            '城市': city,
            '学历': edu,
            '工作经验': experience,
            '公司名字': company,
            '融资情况': financing,
            '公司福利': temptation_str,
            '招聘时间': release_time,
            '简历反馈时间': feedback_time,
        }
        csv_writer.writerow(dit)
        print(dit)


if __name__ == '__main__':
    for page in range(0, 10):
        params = {
            'compkind': '',
            'dqs': '',
            'pubTime': '',
            'pageSize': '40',
            'salary': '',
            'compTag': '',
            'sortFlag': '',
            'degradeFlag': '0',
            'compIds': '',
            'subIndustry': '',
            'jobKind': '',
            'industries': '',
            'compscale': '',
            'key': 'python',
            'siTag': 'I-7rQ0e90mv8a37po7dV3Q~fA9rXquZc5IkJpXC-Ycixw',
            'd_sfrom': 'search_fp',
            'd_ckId': 'cd74f9fdbdb63c6d462bad39feddc7f1',
            'd_curPage': '2',
            'd_pageSize': '40',
            'd_headId': 'cd74f9fdbdb63c6d462bad39feddc7f1',
            'curPage': page,
        }
        main_thread = threading.Thread(target=main, args=(params,))
        main_thread.start()
复制代码

 

实现效果

 

scrapy爬虫框架

items.py

复制代码
import scrapy

class LiepingwangItem(scrapy.Item):
    title = scrapy.Field()
    money = scrapy.Field()
    city = scrapy.Field()
    edu = scrapy.Field()
    experience = scrapy.Field()
    company = scrapy.Field()
    financing = scrapy.Field()
    temptation_str = scrapy.Field()
    release_time = scrapy.Field()
    feedback_time = scrapy.Field()
复制代码

 

middlewares.py

复制代码
class LiepingwangDownloaderMiddleware:
    def process_request(self, request, spider):
        request.headers.update(
            {
                'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36',
            }
        )
        return Noe
复制代码

 

pipelines.py

复制代码
import csv




class LiepingwangPipeline:
    def __init__(self):
        self.file = open('data_2.csv', mode='a', encoding='utf-8', newline='')
        self.csv_file = csv.DictWriter(self.file, fieldnames=['title', 'money', 'city', 'edu',
                                                              'experience', 'company', 'financing', 'temptation_str',
                                                              'release_time', 'feedback_time'
                                                              ])
        self.csv_file.writeheader()


    def process_item(self, item, spider):
        dit = dict(item)
        dit['financing'] = dit['financing'].strip()
        dit['title'] = dit['title'].strip()
        self.csv_file.writerow(dit)
        return item


    def spider_closed(self, spider):
        self.file.close()
复制代码

 

settings.py

复制代码
ROBOTSTXT_OBEY = False
DOWNLOADER_MIDDLEWARES = {
   'liepingwang.middlewares.LiepingwangDownloaderMiddleware': 543,
}
ITEM_PIPELINES = {
   'liepingwang.pipelines.LiepingwangPipeline': 300,
复制代码

 

爬虫文件

复制代码
import scrapy


from ..items import LiepingwangItem




class ZpinfoSpider(scrapy.Spider):
    name = 'zpinfo'
    allowed_domains = ['liepin.com']
    start_urls = ['https://www.liepin.com/zhaopin/?sfrom=click-pc_homepage-centre_searchbox-search_new&d_sfrom=search_fp&key=python']


    def parse(self, response):
        lis = response.css('div.job-content div:nth-child(1) ul li')
        for li in lis:
            title = li.css('.job-info h3 a::text').get().strip()
            money = li.css('.condition span.text-warning::text').get()
            city = li.css('.condition .area::text').get()
            edu = li.css('.condition .edu::text').get()
            experience = li.css('.condition span:nth-child(4)::text').get()
            company = li.css('.company-name a::text').get()
            financing = li.css('.field-financing span::text').get()
            temptation_list = li.css('p.temptation.clearfix span::text').getall()
            temptation_str = '|'.join(temptation_list)
            release_time = li.css('p.time-info.clearfix time::text').get()
            feedback_time = li.css('p.time-info.clearfix span::text').get()
            yield LiepingwangItem(title=title, money=money, city=city, edu=edu, experience=experience, company=company,
                                  financing=financing, temptation_str=temptation_str, release_time=release_time,
                                  feedback_time=feedback_time)
        href = response.css('div.job-content div:nth-child(1) a:nth-child(9)::attr(href)').get()
        if href:
            next_url = 'https://www.liepin.com' + href
            yield scrapy.Request(url=next_url, callback=self.parse)
复制代码

 

实现效果

(责任编辑:admin)
推荐教程
关于我们--广告服务--免责声明--本站帮助-友情链接--版权声明--联系我们--网站地图          黑ICP备17004983号-1