基于個(gè)人簡歷的Scrapy設(shè)計(jì)與實(shí)現(xiàn)

周顯春

（三亞學(xué)院信息與智能工程學(xué)院，三亞 572022）

0 引言

網(wǎng)絡(luò)爬蟲是指在互聯(lián)網(wǎng)上自動(dòng)爬取網(wǎng)站上內(nèi)容的程序，也稱為Spider或網(wǎng)絡(luò)機(jī)器人[1]。它廣泛應(yīng)用于搜索引擎、網(wǎng)絡(luò)數(shù)據(jù)挖掘等領(lǐng)域，而且企業(yè)或者個(gè)人用戶也利用網(wǎng)絡(luò)爬蟲從網(wǎng)絡(luò)上收集價(jià)值的信息。例如，如果你要開發(fā)一個(gè)基于用戶的飲食推薦APP，那么你需要網(wǎng)絡(luò)爬蟲能夠在美團(tuán)、餓了么、天下美食等網(wǎng)站許多網(wǎng)頁上獲取菜品的信息，如喜歡的人群、評價(jià)的等級、適合的季節(jié)等信息。

由于需要爬取的信息分布于不同網(wǎng)站、不同頁面上，而這些頁面是相互鏈接，可以采用寬度或?qū)挾葍?yōu)先檢索的方法訪問每個(gè)頁面，同時(shí)對每個(gè)頁面的數(shù)據(jù)按照其特有的規(guī)律進(jìn)行爬取。但是，每次都從頭開發(fā)爬蟲程序是非常費(fèi)事、費(fèi)力的工作。為了提高工作效率，應(yīng)該利用已有的優(yōu)秀的爬蟲框架。利用優(yōu)秀的框架不僅可以節(jié)省成本，提高程序的質(zhì)量，更重要的是可以更專注于爬取所需的數(shù)據(jù)。

本文基于Scrapy爬取個(gè)人簡歷的數(shù)據(jù)，可以把收集的個(gè)人信息在人物關(guān)系分析、職位推薦等方面應(yīng)用。

1 Scrapy架構(gòu)概述

Scrapy[2]是基于Twisted框架的開源爬蟲框架，具有簡單、靈活、易于擴(kuò)展、易維護(hù)、跨平臺等特征，支撐Py?thon2.7及3.4+版本。

2 系統(tǒng)設(shè)計(jì)及代碼

2.1 個(gè)人簡歷數(shù)據(jù)抓取模塊

數(shù)據(jù)爬取模塊主要使用Spider類的parse啟動(dòng)爬取，使用LinkExractor類初始化提取爬取網(wǎng)頁中的鏈接，Selector類xpath、css方法提取網(wǎng)頁的所需數(shù)據(jù)，Item類對爬取數(shù)據(jù)進(jìn)行包裝。

（1）數(shù)據(jù)爬取代碼的實(shí)現(xiàn)def parse（self,response）:

url_complex=LinkExtractor（restrict_xpaths='//div[con?tains（@class,"nav"）]/ul/li'）

for link in url_complex.extract_links（response）:

if link.url:

yield scrapy.Request（link.url,callback=self.complex_parse）

def GB_special_parse（self,response）:

url=response.xpath（'//div[contains（@class,"peo?ple_show"）]/a/@href'）

#url_first=url= response.xpath（'//div[contains（@class,"people_show"）]/a/@href'）

if len（url）＞0:

url=url[0].extract（）

else:

url=response.xpath（'//dd[contains（@class,"brown"）]/a/@href'）[0].extract（）

yield scrapy.Request（url,callback=self.complex_parse）

def complex_parse（self,response）:

def add_basic_situation（s）:

deal_dict=basic_function（） #獲取基本信息

school=deal_dict.get_school_infor（s） #獲取畢業(yè)院校

xueli=deal_dict.get_xueli（s）

xuewei=deal_dict.get_xuewei（s）

xueli_wei=xueli+"/"+xuewei#獲取學(xué)歷/學(xué)位

timeofparty=deal_dict.get_timeofparty（s）#入黨時(shí)間

timeofjob=deal_dict.get_timeofjob（s）#參加工作時(shí)間

str_split=s.split（"，"）

basic={"出生年月：":str_split[3],"性別：":str_split[1],"籍貫：":str_split[4],"民族：":str_split[2],"畢業(yè)院校：":school,"學(xué)歷/學(xué)位：":xueli_wei,"入黨時(shí)間：":timeofpar?ty,"參加工作時(shí)間：":timeofjob}if basic==None:return{}

else:return basic

Senior=SeniorCadreItem（）

content= response.xpath（'//div[contains（@class,"people_text"）]'

Senior['name']=content.xpath（'.//h2/text（）'）.extract（）[0].replace（"同 志 簡 歷 ",""） experince_ex=[re.sub（' |u3000| ',"",ex）for ex in content.xpath（'.//p/text（）'）.ex?tract（）]

experince_list=[i for i in experince_ex if len（i）＞0]

experince=" ".join（experince_list）

Senior['experince']=experince

Senior['post']=experince_list[1]

str=experince_list[0]

str=add_basic_situation（str）

basicfunction=basic_function（）

Senior=basicfunction.deal_dict_situation（str,Senior）

yield Senior

（2）爬取數(shù)據(jù)封裝的實(shí)現(xiàn)class JianLiItem（scrapy.Item）:

name=scrapy.Field（）

post=scrapy.Field（）

birth=scrapy.Field（）

sex=scrapy.Field（）

timeofwork=scrapy.Field（）

placeofbirth=scrapy.Field（）

nation=scrapy.Field（）

school=scrapy.Field（）

degree=scrapy.Field（）

timeofparty=scrapy.Field（）experince=scrapy.Field（）

2.2 數(shù)據(jù)存儲模塊

Scrapy可以把爬取的數(shù)據(jù)存儲到各種數(shù)據(jù)庫，如SQLite、MySQL、MongoDB、Redis。本系統(tǒng)采用 SQLite[4]，它是輕量級數(shù)據(jù)庫，具有訪問速度快、操作簡單特點(diǎn)。

（1）數(shù)據(jù)庫操作

Connection=.sqlit3.connect（‘jianli.db’）#連接數(shù)據(jù)庫

Connection.close（）#關(guān)閉數(shù)據(jù)庫

還需要獲得curser對象，通過它來操縱數(shù)據(jù)庫，最后使用commit保存操作。

（2）settings.py文件

要啟動(dòng) SQLite，需要在 settings.py中添加如下代碼：

SQLLIT_DB_NAME='scrapy.db'

ITEM_PIPELINES={'JianLi.pipelines.SQLitePipeline':300}

2.3 程序運(yùn)行效果

在Pycharm IDE中，添加了main.py文件，內(nèi)容包括 from scrapy import cmdline 和 cmdline.execute（"scra?py crawl jianli".split（））

圖1 程序運(yùn)行圖

3 存在問題及解決方法

如果爬取靜態(tài)網(wǎng)頁，在使用scrapy shell、fetch、view等命令分析的基礎(chǔ)上，一般可以應(yīng)付。但是，遇到動(dòng)態(tài)網(wǎng)頁，封IP反爬蟲等情況下，需要采用特殊的應(yīng)對方法才可以獲得所需要的數(shù)據(jù)。

3.1 動(dòng)態(tài)數(shù)據(jù)的爬取

動(dòng)態(tài)網(wǎng)頁的數(shù)據(jù)存在于JavaScript編碼中，要想獲得所需的數(shù)據(jù)，可以先利用Splash執(zhí)行JavaScript代碼渲染頁面，然后在所得頁面上爬取所需數(shù)據(jù)。

實(shí)現(xiàn)的代碼與前面的最大差異有兩點(diǎn)，其一使用SplashReques，取 代 scrapy.Request，其 二 需 要 在 set?tings.py 的 DOWNLOADER_MIDDLEWARES、DUPE?FILTER_CLASS、SPIDER_MIDDLEWARES 中添加與splash相關(guān)的值。

3.2 使用HTTP 代理

由于訪問速度限制、反爬蟲技術(shù)的原因，造成爬取網(wǎng)頁沒有響應(yīng)。如果仍然想要獲取相應(yīng)的數(shù)據(jù)，需要使用scrapy中HttpProxyMiddleware類，主要通過創(chuàng)建它的子類，實(shí)現(xiàn) from_crawler、_set_proxy、_init_方法[4]。

4 結(jié)語

基于Scrapy開源框架設(shè)計(jì)一種通過網(wǎng)頁爬取簡歷數(shù)據(jù)的爬蟲。數(shù)據(jù)證明，在Scrapy的基礎(chǔ)上進(jìn)行爬蟲開發(fā)將極大地提高爬取數(shù)據(jù)的效率，還可以擴(kuò)大爬蟲的適應(yīng)性。但是，仍然存在很多需要改進(jìn)的地方，如網(wǎng)頁圖片的爬取、基于此爬蟲的搜索引擎、基于前端的可視化分析等方面。

[1]徐遠(yuǎn)超,劉江華,劉麗珍,等.基于Web的網(wǎng)絡(luò)爬蟲的設(shè)計(jì)與實(shí)現(xiàn)[J].微計(jì)算機(jī)信息,2007,23（21）:119-121.

[2]https://doc.scrapy.org/en/latest/intro/tutorial.html.

[3]http://www.sqlite.org/index.html.

[4]劉碩.精通Scrapy網(wǎng)絡(luò)爬蟲[M].北京：清華大學(xué)出版社，2017.