scrapy抓取拉勾网职位信息（一）——scrapy初识及lagou爬虫项目建立
本次以scrapy抓取拉勾网职位信息作为scrapy学习的一个实战演练
python版本：3.7.1
框架：scrapy（pip直接安装可能会报错，如果是vc++环境不满足，建议直接安装一个visual studio一劳永逸，如果报错缺少前置依赖，就先安装依赖）
本篇主要对scrapy生成爬虫项目做一个基本的介绍
tips：在任意目录打开cmd的方式可以使用下面这两种方式
- shift + 右键打开cmd（window10的powershell你可以简单理解为cmd升级版）
- 在路径框直接输入cmd，回车
1、建立一个scrapy项目
在cmd窗口中输入：scrapy startproject lagou，这样就创建了一个项目文件夹，文件夹的名字是lagou
新生成一个scrapy项目，但是目前里面还没有一个爬虫，用pycharm打开外层lagou文件夹看看
从结构可以看出生成的lagou项目文件夹里面生成了一些新的文件夹和文件，
__init__.py：两个文件内容都是空的，存在的唯一目的就是让它所在的文件夹成为一个python包。
items.py：主要是用来定义要提取的字段的，比如我们要提取招聘职位的名称，薪酬，都需要对字段进行定义
middlewares.py：中间件，包括spider middleware和downloader middleware，前者可以对请求进行修改（比如加入代理，设置UA都可以在这里进行），后者可以对下载的页面进行修改
pipelines.py：主要是用来进行数据清洗，存储的
settings.py：爬虫项目的全局配置，比如全局的UA，是否开启middlewares中间键，设置延迟等
2、生成一个爬虫（注意：一个项目文件夹下面可以有多个爬虫）
首先进入到外层的lagou文件夹下
cd lagou
查看有哪些爬虫模板命令：scrapy genspider -l
一般用的比较多是basic和crawl两种，basic适合主页比较简单，url基本一致的情况，crawl适合有多种标签类别的网站
针对拉勾网，这里我们选用crawl模板生成爬虫，爬虫名称是lagou_c，爬取的首页url是lagou.com
scrapy genspider -t crawl lagou_c lagou.com (-t crawl代表以crawl模板生成爬虫，如果不加这个参数以basic模板生成的爬虫scrapy genspider lagou_c lagou.com)
注意：爬虫名称一般设置为要爬取的url名称，如lagou.com，设置为lagou为爬虫名，但爬虫名和项目名不能重复，我这里修改爬虫名为lagou_c
这样我们就建立了一个名称为lagou_c的爬虫项目，再次用pycharm打开可以看到多了一个lagou_c.py文件，这个文件就是爬虫的入口，它主要是用来产生新的请求和对返回的response进行解析。
最新文章
- [转]Android开发：Parallax效果的ScrollerView，改编自ParallaxListView
- JVM之类加载器下篇
- nested exception is java.lang.RuntimeException: Error parsing Mapper XML. Cause: java.lang.IllegalArgumentException: Result Maps collection already contains value for
- 转载：CSS计数器的趣味时光之css计算数据
- URLEncoder编码
- 速度之王 — LZ4压缩算法（三）
- ACTIVITI 研究代码 之 模版模式
- MonoRail学习：可重复组件ViewComponents的使用
- 【Binary Tree Preorder Traversal】cpp
- Sqli-labs less 28
- C# 利用ffmpeg 对视频转换系类操作 (1) 基本分析
- C# 下载资源
- java：字符串的“+”运算
- Xmpp实现简单聊天系列 --- ①openfire部署
- Microsoft AI - Custom Vision
- angular 禁止缓存
- js字符串与十六进制相互转换
- Alibaba Java诊断工具Arthas之快速安装和简单使用
- tmux学习
- 位运算卷积-FWT