Scrapy抓取前程无忧招聘信息(静态页面)

2024-02-05 08:59

本文主要是介绍Scrapy抓取前程无忧招聘信息(静态页面),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

    前言,为了了解重庆各区招聘软件测试的情况,需要抓取前程无忧中搜索到的招聘信息,并把信息写到数据库,再分析数据。

    1. 创建Scrapy项目:

        scrapy startproject counter


    2. 生成Spider:

        cd counter

        scrapy genspider cqtester www.51job.com


    3. 组织需要的数据 -- Items.py

        

import scrapyclass CounterItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()# passtitle = scrapy.Field()    #  标题company = scrapy.Field()    # 公司名称desc = scrapy.Field()    # 描述salary = scrapy.Field()    #  薪水范围location = scrapy.Field()    # 工作地点date = scrapy.Field()    # 发布日期datasource = scrapy.Field()    # 消息来源

    4.  在设置中配置Mysql相关

        

# 配置Mysql
MYSQL_HOST = '192.168.25.214'
MYSQL_DBNAME = 'test'
MYSQL_USER = 'root'
MYSQL_PASSWD = 'Soft.rz'
CHARSET = 'utf8'MYSQL_PORT = 3306ITEM_PIPELINES = {'counter.pipelines.CounterPipeline': 300,
}

    5.  组装数据并保存到Mysql数据库

        

import pymysql
from scrapy.conf import settings    # 导入在Settings文件里的配置class CounterPipeline(object):def process_item(self, item, spider):host = settings['MYSQL_HOST']user = settings['MYSQL_USER']pwd = settings['MYSQL_PASSWD']db = settings['MYSQL_DBNAME']c = settings['CHARSET']port = settings['MYSQL_PORT']# 数据库连接con = pymysql.connect(host=host, user=user, passwd=pwd, db=db, charset=c, port=port)# 数据库游标cue = con.cursor()print("Mysql connect succes!")sqls = "insert into cqtester(Title,Company,Salary,Location,date,DataSource) values(%s,%s,%s,%s,%s,%s)"paras = (item['title'],item['company'],item['salary'],item['location'],item['date'],item['datasource'])try:cue.execute(sqls, paras)print("insert success")except Exception as e:print("Insert error: ", e)con.rollback()else:con.commit()con.close()return item


    6. 爬虫实现

        

# -*- coding: utf-8 -*-
import scrapy
from counter.items import CounterItem
from scrapy.http import Requestclass CqtesterSpider(scrapy.Spider):name = 'cqtester'allowed_domains = ['www.51job.com']start_urls = ['https://jobs.51job.com/chongqing/ruanjianceshi/p1/']def parse(self, response):pages = response.xpath('//input[@id="hidTotalPage"]/@value').extract()[0]pages = int(pages)# print("\n The Page is %d \n" %pages)for p in range(1, pages+1):# print("第 %d 页 \n" %p)yield Request("https://jobs.51job.com/chongqing/ruanjianceshi/p"+ str(p),callback=self.parsecontent, dont_filter=True)def parsecontent(self, response):contents = response.xpath('//p[@class="info"]')for content in contents:item = CounterItem()item['title'] = content.xpath('span/a/@title').extract()item['company'] = content.xpath('a/@title').extract()pays = content.xpath('span[@class="location"]/text()').extract()if not pays:pays = '面议'item['salary'] = paysitem['location'] = content.xpath('span[@class="location name"]/text()').extract()pushdate = content.xpath('span[@class="time"]/text()').extract()# pushdate = "2018-" + pushdateitem['date'] = pushdateitem['datasource'] = '51Job'yield item

    7. 运行后的结果:

        

    8. 分析数据(FIC软件)

        

    目前只抓取了静态网页的信息,另外还有百度百聘的动态页面未实现(http://zhaopin.baidu.com/quanzhi?tid=4139&ie=utf8&oe=utf8&query=%E9%87%8D%E5%BA%86+%E8%BD%AF%E4%BB%B6%E6%B5%8B%E8%AF%95+%E6%8B%9B%E8%81%98&city_sug=%E9%87%8D%E5%BA%86),其翻页通过JS实现,后续再研究。

这篇关于Scrapy抓取前程无忧招聘信息(静态页面)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/680396

相关文章

如何在页面调用utility bar并传递参数至lwc组件

1.在app的utility item中添加lwc组件: 2.调用utility bar api的方式有两种: 方法一,通过lwc调用: import {LightningElement,api ,wire } from 'lwc';import { publish, MessageContext } from 'lightning/messageService';import Ca

业务中14个需要进行A/B测试的时刻[信息图]

在本指南中,我们将全面了解有关 A/B测试 的所有内容。 我们将介绍不同类型的A/B测试,如何有效地规划和启动测试,如何评估测试是否成功,您应该关注哪些指标,多年来我们发现的常见错误等等。 什么是A/B测试? A/B测试(有时称为“分割测试”)是一种实验类型,其中您创建两种或多种内容变体——如登录页面、电子邮件或广告——并将它们显示给不同的受众群体,以查看哪一种效果最好。 本质上,A/B测

【北交大信息所AI-Max2】使用方法

BJTU信息所集群AI_MAX2使用方法 使用的前提是预约到相应的算力卡,拥有登录权限的账号密码,一般为导师组共用一个。 有浏览器、ssh工具就可以。 1.新建集群Terminal 浏览器登陆10.126.62.75 (如果是1集群把75改成66) 交互式开发 执行器选Terminal 密码随便设一个(需记住) 工作空间:私有数据、全部文件 加速器选GeForce_RTX_2080_Ti

Thymeleaf:生成静态文件及异常处理java.lang.NoClassDefFoundError: ognl/PropertyAccessor

我们需要引入包: <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-thymeleaf</artifactId></dependency><dependency><groupId>org.springframework</groupId><artifactId>sp

PHP抓取网站图片脚本

方法一: <?phpheader("Content-type:image/jpeg"); class download_image{function read_url($str) { $file=fopen($str,"r");$result = ''; while(!feof($file)) { $result.=fgets($file,9999); } fclose($file); re

Linux命令(11):系统信息查看命令

系统 # uname -a # 查看内核/操作系统/CPU信息# head -n 1 /etc/issue # 查看操作系统版本# cat /proc/cpuinfo # 查看CPU信息# hostname # 查看计算机名# lspci -tv # 列出所有PCI设备# lsusb -tv

【小迪安全笔记 V2022 】信息打点9~11

第9天 信息打点-CDN绕过篇&漏洞回链8接口探针&全网扫指&反向件 知识点: 0、CDN知识-工作原理及阻碍 1、CDN配置-域名&区域&类型 2、CDN绕过-靠谱十余种技战法 3、CDN绑定-HOSTS绑定指向访问 CDN 是构建在数据网络上的一种分布式的内容分发网。 CDN的作用是采用流媒体服务器集群技术,克服单机系统输出带宽及并发能力不足的缺点,可极大提升系统支持的并发流数目,减少或避

Weex入门教程之4,获取当前全局环境变量和配置信息(屏幕高度、宽度等)

$getConfig() 获取当前全局环境变量和配置信息。 Returns: config (object): 配置对象;bundleUrl (string): bundle 的 url;debug (boolean): 是否是调试模式;env (object): 环境对象; weexVersion (string): Weex sdk 版本;appName (string): 应用名字;

Weex入门教程之3,使用 Vue 开发 Weex 页面

环境安装 在这里简略地介绍下,详细看官方教程 Node.js 环境 Node.js官网 通常,安装了 Node.js 环境,npm 包管理工具也随之安装了。因此,直接使用 npm 来安装 weex-toolkit。 npm 是一个 JavaScript 包管理工具,它可以让开发者轻松共享和重用代码。Weex 很多依赖来自社区,同样,Weex 也将很多工具发布到社区方便开发者使用。

C++/《C++为什么要有静态成员函数》

摘要        本文说明了什么是静态成员变量,什么是静态成员函数的概念,讨论了访问私有静态成员变量的三个方法。得出用静态成员函数访问静态私有成员变量是最佳方法即回答了“C++为什么要有静态成员函数“的问题。 类的静态成员 我们可以使用 static 关键字来把类成员定义为静态的。当我们声明类的成员为静态时,这意味着无论创建多少个类的对象,静态成员都只有一个副本。静态成员在类的所有对象中是