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
  
  

  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

• 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

• 里面包含一些简要的说明
• 博客戳这里

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

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