/JobSpiders

scrapy框架爬取51job(scrapy.Spider),智联招聘(扒接口),拉勾网(CrawlSpider)

Primary LanguagePythonApache License 2.0Apache-2.0

基于Scrapy框架的Python3就业信息Jobspiders爬虫

  • Items.py : 定义爬取的数据
  • pipelines.py : 管道文件,异步存储爬取的数据
  • spiders文件夹 : 爬虫程序
  • settings.py : Srapy设定,请参考 官方文档
  • scrapy spider
  • 爬取三大知名网站,使用三种技术手段
  • 第一种直接从网页中获取数据,采用的是scrapy的基础爬虫模块,爬的是51job
  • 第二种采用扒接口,从接口中获取数据,爬的是智联招聘
  • 第三种采用的是整站的爬取,爬的是拉钩网
  • 获取想要的数据并将数据存入mysql数据库中,方便以后的就业趋势分析

实现功能:

  • 从三大知名网站上爬取就业信息,爬取发布工作的日期薪资城市岗位有那些福利要求分类等等,并将爬到的数据存到mysql数据库中

使用教程:

运行前需要安装的环境

  • Python3 Ubantu16.04自带,sudo apt-get install python3.5

  • mysql : sudo apt-get install mysql-server

  • 安装虚拟环境和虚拟环境的wrapper

    sudo apt-get install python-pip python-dev build-essential
    sudo pip install --upgrade pip
    sudo pip install --upgrade virtualenv
    sudo pip install virtualenvwrapper
    
    • 配置virtualenvwrapper的工作空间

      • cd ~
      • mkdir .virtualenvs
      • sudo find / -name virtualenvwrapper.sh
      • vim ~/.zshrc 注意vim自己当前所用的shell,$SHELL查看,用的是bash就vim ~/.bashrc,末行加上
      export WORKON_HOME=$HOME/.virtualenvs
      source /usr/local/bin/virtualenvwrapper.sh

      注意替换自己find到的virtualenvwrapper.sh位置

  • 其次就是安装一些模块,提供三种

    1. 最简单的方法 pip install -r requirements.txt
    2. 第2种方式如果安装了virtualenv和virtualenvwrapper就直接运行以下命令安装
    mkvirtualenv --python=/usr/bin/python3 py3scrapy
    workon py3scrapy
    安装好scrapy框架:
      pip install scrapy
      - 安装时遇到一个错误twisted/test/raiser.c:4:20: fatal error: Python.h: No such file or directory,解决办法:先安装 **python-dev,python3-dev**,再安装
      - 可以使用豆瓣源加速安装
      pip install -i https://pypi.douban.com/simple scrapy
      pip install fake-useragent
      sudo apt-get install libmysqlclient-dev
      pip install mysqlclient -i https://pypi.douban.com/simple
      其余的在pycharm中alt enter安装
    
    
    1. 如果没有安装虚拟环境可以在pycharm中进行安装,alt+enter选择,如果没有正确的模块,就在setting中的project中的解释器Interpreter,再点击+号在里面搜索
    2. 2019-3-10更新 发现一个问题环境问题,就是现在的Scrapy版本最新的1.6的,但是一点六的移除了一些组件导致安装的时候会报一个 "ImportError: No module named 'scrapy.contrib' ",所以自己去github上搜索scrapy通过源码编译安装1.5.1

运行项目

  • git clone https://github.com/wqh0109663/JobSpiders.git
  • 把下好的项目在pycharm中打开
  • 新建一个数据库叫jobspider,编码用utf-8 ,运行jobspider.sql文件
    • create database jobspider charset utf8;
    • use jobspider;
    • source sql路径;
  • 运行main文件,打开注释内容,运行需要的spider即可,运行拉勾网的时候要改动谷歌浏览器的驱动chromedriver位置
  • 或者直接在命令行中运行scrapy runspider XX某某spider
  • 使用拉钩网模块的时候注意改成自己的拉钩网账号(我的已经改密码了,老是提示我的异地登陆),还有就是更改chromedriver的位置

下面是一条爬到的数据

下面是博客地址

数据分析

爬虫只是为了获得数据,重要的还是如何做数据分析

生成词云

  • 连接数据库,取出其中的10000条数据,使用结巴分词,将中文进行拆分,手动去掉没有意义的词
  • 连接数据库,取出其中的10000条数据,使用pkuseg-python分词(最近才出的新的分词),将中文进行拆分,手动去掉没有意义的词,分词准确率提高了但是貌似性能不高,慢的要死
  • 效果图,待完善











TODO

2019-3-11更新

发现一个问题:就是使用驱动获取cookie,与使用浏览器自己打开,所弹出的登录页面有所不同,手动打开的网页中没有图片验证码,而使用驱动(无论是谷歌浏览器驱动还是火狐的浏览器驱动均没有用,亲测),根据相关文档查看到根据驱动是可以获取到指纹特征,所以拉钩也可能在这方面做过手脚,也看到使用驱动下面的一行代码会为true,‘window.navigator.webdriver’,所以应该还是挺多的方法可以检测是不是机器人在操作。

2019-3-14更新

拉钩网两处需要验证码的地方

  1. 登录(Fixed)

    login

  2. 302重定向(Fixed)

    https://raw.githubusercontent.com/wqh0109663/JobSpiders/master/JobSpiders/images/20190314224307.png

拉钩网验证

robot

引进图片识别

2019-3-23更新

修改spider下的lagou.py,修改为自己的若快账号和拉钩账号

项目已不再更新,想要拉钩网数据参考testlagou.py

动态更新cookie值就可以了,全站难度有点大,直接请求接口比较简单