前面咱们介绍了scrapy框架的使用，今天就来实战，爬取一下腾讯招聘的职位信息。

一、分析url
二、创建scrapy项目并生成爬虫
三、提取数据
四、保存数据

一、分析url

先确定url，这是网站的url：

url

咱们的需求是获取职位的名称、下面的工作职责、工作需求，并实现翻页操作。

分析网页源代码，发现这些信息都不在源码中，考虑使用抓包工具，进入network，刷新后出现一个带有“query”的文件，可以从中找到咱们想要的信息。因此，现在的url就是要作为起始的url：

起始url（列表页，总的职位信息页面）为：

one_url

同样的方法，能找到起始url（详情页，单个职位的具体信息页面）为：

two_url

二、创建scrapy项目并生成爬虫

现在，通过terminal终端创建一个scrapy项目：

scrapy startproject tencent

三、提取数据

1.对setting文件进行设置

为了不让其他信息显示出来干扰数据，设置中加入如下字段:

LOG_LEVEL

如下图:

2.添加start文件

在总目录下添加start.py文件，用于运行爬虫。

start文件代码如下：

from

右键run运行。

结果如下：

可以看到，数据已经获取到了。要做进一步处理。

3.对解析函数parse()进行定义

因为要实现翻页操作，因此要对每一页的url进行遍历，在parse()中，这部分代码如下（要爬取1-10页）：

import

结果如下：

接着编辑parse_two()：

def

结果如下：

可以发现，整个数据是从最后一页（第10页）倒着往前打印的。至此，数据已经全都获取到了。

其中，要对页码url进行请求，获取每页数据，会用到scrapy.Request

这是其中的参数：

scrapy.Request(url,callback=None,method=‘GET’,headers=None,bod y=None,cookies=None,meta=None,encoding=‘utf-8’,priority=0,2 dont_filter=False,errback=None,flags=None)

scrapy.Request常用参数为：

callback：指定传⼊的URL交给哪个解析函数去处理，回调函数是用来自定义一个接收函数名（接收响应结果）。

meta：实现不同的解析函数中传递数据，meta默认会携带部分信息,比如下载延迟，请求深度。

dont_filter:让scrapy的去重不会过滤当前URL，scrapy默认有URL去重功能，对需要重复请求的URL有重要⽤途。

4.一些细节

4.1 items文件的使用

如果想把要获取的字段提前定义好，要用到items.py文件。在其中将之前定义要获取的字段按照这一格式写好：

class

将tencent文件夹设置成根目录：右键tencent文件夹

设置成根目录，在hr.py文件中导入：

from

在已定义的字段之前，加上：item=TencentItem()，再次执行即可，能够排除因字段错误导致的问题。

4.2验证爬虫文件的其他方式

前面咱们讲了2种方法，今天来介绍第三种方法。

isinstance():判断一个对象是否是另一个对象的实例，可以沿用到这里：

from

这样也能验证是不是某个爬虫文件的数据，要记住在这之前，要yield字段数据；打开setting中的pipeline。再去运行start.py文件。

四、保存数据

在pipelines文件中进行保存数据的剩余工作。关于pipelines的使用，在前面已经介绍过。

好了，今天的scrapy实战操作就到这里了。

Python爬虫基础部分：

• Python 怎么快速入门？11篇实战干货带你深入了解 Python爬虫！建议收藏

Python爬虫进阶部分：

• 第一篇：Python爬虫进阶（一）爬虫之动态数据与selenium
• 第二篇：Python爬虫进阶（二）爬虫之多任务模块（Ⅰ）
• 第三篇：Python爬虫进阶（三）爬虫之多任务模块（Ⅱ）
• 第四篇：Python爬虫进阶（四）爬虫之多任务模块（Ⅲ）
• 第五篇：Python爬虫实战之 爬取王者荣耀皮肤
• 第六篇：Python爬虫进阶（五）爬虫之多线程爬虫实战（爬取王者荣耀皮肤）
• 第七篇：Python爬虫进阶（六）爬虫之Scrapy初探（Ⅰ）
• 第八篇：Python爬虫进阶（七）爬虫之Scrapy初探（Ⅱ）

最近在知乎创建了一个新的Python技术圈子，在里面每天都会分享好玩有趣的Python知识，你如果对Python这门技术感兴趣的可以加入哦！交个朋友

Python技术 – 知乎​www.zhihu.com