人生苦短，快學Python！

初學scrapy之后，發現就是效率對比于selenium和requests快了很多，那么問題來了，如果網站設置了反爬，比如User-Agent反爬，cookie反爬，IP封禁等等，所以我們需要通過集成selenium到scrapy中，繞過網站反爬，達到目的。

這里選擇智聯招聘網站作為案例，就是雖然不是動態網頁，但是它需要模擬登錄，所以我們通過scrapy集成selenium進行數據抓取。

一、需求分析

打開目標網站，搜索web前端開發工程師。

這是首頁，由于我的當前位置在武漢，所以系統自動定位到武漢，點擊搜索后：

這個就是需要通過selenium出路的一個點。

手動登錄后得到以下界面：

我們的目標是每一條招聘信息的8條數據：

name 職位名稱

salary 薪資

adress ?地區

experience 經驗

eduBack ?教育背景

company 公司名稱

companyType 公司類型

scale 公司規模

info 簡介

二、scrapy項目文件配置

定義items

import?scrapyclass?ZlzpItem(scrapy.Item):name?=?scrapy.Field()***薪資??公司??規模...***info?=?scrapy.Field()

定義scrapy爬蟲：zl.py(智聯)

#這里先說明下url: firstPageUrl?:?'https://sou.zhaopin.com/?jl=736&kw=web%E5%89%8D%E7%AB%AF%E5%B7%A5%E7%A8%8B%E5%B8%88&p=1'#作為第一頁的url,下面的myspider.py中就不在展示，避免代碼冗余。base_url?=?'https://sou.zhaopin.com/?jl=736&kw=web%E5%89%8D%E7%AB%AF%E5%B7%A5%E7%A8%8B%E5%B8%88&p={}'

然后下面是zl.py的源碼：(分為幾個部分)

1、初始化設置：

#?-*-?coding:?utf-8?-*- import?scrapy from?zlzp.items?import?ZlzpItemcount?=?1???#?定義一個全局變量,與base_url構建?下一頁的url? class?ZlSpider(scrapy.Spider):name?=?'zl'allowed_domains?=?['zhaopin.com']start_urls?=?[firstPageUrl]

2、parse函數：

????def?parse(self,?response):global?countcount?+=?1??#?每解析一次頁面，讓count+1，和baseurl構造下一頁的urljobList?=?response.xpath('//div[@class="positionlist"]/div/a')for?job?in?jobList:name?=??job.xpath("./div[1]/div[1]/span[1]/text()").extract_first()?...salary***,company***,....info?=?job.xpath("./div[3]/div[1]//text()").extract_first()item?=?ZlzpItem(name=name,salary=salary,company=company,adress=adress,experience=experience,eduBack=eduBack,companyType=companyType,scale=scale,info=info)yield?item

3、分頁：

????????next_url?=?'https://sou.zhaopin.com/?jl=736&kw=web%E5%89%8D%E7%AB%AF%E5%B7%A5%E7%A8%8B%E5%B8%88&p={}'.format(count)if?count?==?34:return?None?#?設置程序停止的條件if?next_url:yield?scrapy.Request(next_url,callback=self.parse)

定義下載器中間件（DownloadMiddleware）：myDownloadMiddleware.py

from?selenium.webdriver.support.ui?import?WebDriverWait from?selenium.webdriver.support?import?expected_conditions?as?EC ... class?ZlzpDownloaderMiddleware:def?__init__(self):self.driver?=?webdriver.Chrome()def?process_request(self,?request,?spider):self.driver.get(request.url)time.sleep(3)?#?休息3s#?設置顯示等待，由于需要登錄，我們手機掃碼登錄，知道頁面出現（即url顯示為firstpageurl)WebDriverWait(self.driver,?1000).until(EC.url_contains(request.url))time.sleep(6)?#?登錄成功之后頁面需要時間加載出來，再休息幾秒return?HtmlResponse(url=self.driver.current_url,?body=self.driver.page_source,?encoding="utf-8",request=request)??#?然后把這個response對象返回給爬蟲（zl.py）

說明：

selenium集成到scrapy中的核心就是在爬蟲中間件中攔截請求，把處理后的響應對象返回，對應于爬蟲文件(這里的zl.py)parse函數中的response，如果不集成selenium，那么response對象不能很好應對網站的反爬.

此處的parse_request方法中只有少量的selenium代碼，因為動態操作其實不多.

重點：return后面的response對象：

在這里我們不能return None，如果return None，那么請求會被發送到下載中間件去下載這個頁面，在將這個頁面的response返回給spider(hr.py)。但是我們上面browser.get的時候就已經下載了這個頁面的內容，所以沒有必要在下載一次，我們只要制定一個response對象，直接返回這個response給spider即可

定義管道（Pipeline）：pipelines.py

from?itemadapter?import?ItemAdapter import?csvclass?ZlzpPipeline:def?__init__(self):self.f?=?open('zlJob.csv',?'w',?encoding='utf-8',?newline='')#?self.file_name?=?['name','upTime','salary','needs','welfare','company','scale','types']self.file_name?=?['name','salary','company','adress','experience','eduBack','companyType','scale','info']?self.writer?=?csv.DictWriter(self.f,?fieldnames=self.file_name)self.writer.writeheader()def?process_item(self,?item,?spider):self.writer.writerow(dict(item))#?寫入spider傳過來的具體數值return?item?#?寫入完返回def?close_spider(self,?spider):self.f.close()

settings.py配置

BOT_NAME?=?'zlzp'SPIDER_MODULES?=?['zlzp.spiders'] NEWSPIDER_MODULE?=?'zlzp.spiders' LOG_LEVEL?=?'WARNING' ...... ROBOTSTXT_OBEY?=?False...... DEFAULT_REQUEST_HEADERS?=?{'user-agent':?'Mozilla/5.0?(Windows?NT?10.0;?Win64;?x64)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/91.0.4472.106?Safari/537.36','Accept':?'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8','Accept-Language':?'en', } ...... DOWNLOADER_MIDDLEWARES?=?{'zlzp.middlewares.ZlzpDownloaderMiddleware':?543, } ...... ITEM_PIPELINES?=?{'zlzp.pipelines.ZlzpPipeline':?300, } ......

......表示注釋代碼，這里省略。

三、程序運行

命令行鍵入：

scrapy?crawl?hr

pic1：運行程序結束到第34頁，對應count = 34

pic02：(csv文件)

四、數據簡單分析

查看數據

import?pandas?as?pd df?=?pd.read_csv('./zlJob.csv') df.head()

薪資餅圖展示

c?=?(Pie(init_opts=opts.InitOpts(bg_color="white")).add("",?[list(z)?for?z?in?zip(typesX,number)])???#?zip函數兩個部分組合在一起list(zip(x,y))----->?[(x,y)].set_global_opts(title_opts=opts.TitleOpts(title="類型:"))??#?標題.set_series_opts(label_opts=opts.LabelOpts(formatter=":?{c}"))??#?數據標簽設置 )c.render_notebook()??

經驗要求柱圖展示

from?pyecharts.charts?import?Bar bar?=?Bar() bar.add_xaxis(['3-5年',?'1-3年',?'不限',?'5-10年',?'無經驗',?'1年以下',?'10年以上']) bar.add_yaxis('經驗要求',[462,329,83,78,19,15,4]) bar.render()

學歷要求柱圖展示

c?=?(Pie(init_opts=opts.InitOpts(bg_color="white")).add("",?[list(z)?for?z?in?zip(educationTypes,number)])???#?zip函數兩個部分組合在一起list(zip(x,y))----->?[(x,y)].set_global_opts(title_opts=opts.TitleOpts(title="類型:"))??#?標題.set_series_opts(label_opts=opts.LabelOpts(formatter=":?{c}"))??#?數據標簽設置 )c.render_notebook()??

大多數要求本科學歷，或者說大專及以上學歷。

公司類型柱圖展示

c?=?(Pie(init_opts=opts.InitOpts(bg_color="white")).add("",?[list(z)?for?z?in?zip(companyTypes,number)])???#?zip函數兩個部分組合在一起list(zip(x,y))----->?[(x,y)].set_global_opts(title_opts=opts.TitleOpts(title="類型:"))??#?標題.set_series_opts(label_opts=opts.LabelOpts(formatter=":?{c}"))??#?數據標簽設置 )c.render_notebook()??

可以看到大多數公司是民營或者上市公司。

五、總結

頁面翻頁處理，由于我們只是使用selenium就是打開網頁請求數據，所以一般在爬蟲文件中進行翻頁處理，如果對應的下一頁的a標簽的href屬性不是下一頁的頁面url，我們需要設置動態全局變量，構建動態的url。

下載中間件中設置的selenium的相關操作，動態點擊，頁面滾輪操作，顯隱式等待等等，重要的是返回的response對象，這個是集成selenimu到scrapy的核心，在下載中間件中攔截請求，把處理后的response對象返回給爬蟲。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?分享給更多朋友，轉發，點贊，在看

總結

以上是生活随笔為你收集整理的实战案例 | Scrapy 集成Selenium爬取智联招聘数据的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。