基于scrapy爬取51job爬虫系统源码.zip

# 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](https://scrapy-chs.readthedocs.io/zh_CN/latest/topics/settings.html#topics-settings-ref) * 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，$SHELL查看，用的是bash就vim ~/.bashrc,末行加上 ```Bash export WORKON_HOME=$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 ``` 3. 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 4. 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 * 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  ### 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）  2. 302重定向(Fixed)  ##### 拉钩网验证  #### 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 ### 想要拉钩网数据参考[testlagou.py](./JobSpiders/spiders/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 ### 2023-02-15 update 51job update ,see new51job.py