爬虫学习笔记(2)使用MongoDB保存拉钩数据

2018-01-13 10:52:37来源:https://juejin.im/post/5a31d6a56fb9a045186abec5作者:稀土掘金人点击

分享
第七城市th7cn

生苦短,我用Python


1、什么是MongoDB


MongoDB是一个高性能,开源,无模式的文档型数据库


MongoDB将数据存储为一个文档,数据结构由键值(Key=>value)对组成


2、MongoDB相关安装


Windows的安装方法:可以借鉴小歪老师的知乎专栏: MongoDB及可视化工具的安装 中给出了详细的MongoDB数据库、可视化工具RoboMongo和MongoDB的PyCharm插件--Mongo Plugin的安装步骤和方法,可按照步骤安装并测试连接,本人也是按照该教程一步一步操作的。实验都是成功的。


3、Python用于操作MongoDB的第三方库pymongo安装:



我这里是已经安装过了,所以是这样的提示,如果未安装,则是大致提示你安装成功的英文。


这里说下pip,我刚开始使用pip安装包的时候,一直提示未能识别pip,最后我找到python的安装目录下:C:/Users/XXXX/XXX/XXX/XXX/Python/Python35/Scripts下,shift+鼠标右击,在此处打开命令窗口,再使用pip install pymongo就成功了。




需要这样使用pip是因为我没有设置环境变量的原因。如果每次都是这样使用pip安装包很麻烦,所以如果你想每次随便在哪里打开cmd.exe都能pip安装包,则需要配置下环境变量:


配置流程:我的电脑(或计算机)-->右键属性-->高级系统设置-->环境变量-->系统变量-->path-->点击编辑-->将在刚才shift+右键地方的地址复制到里面,在随便在一个地方打开cmd.exe,输入pip都可以安装包了。




4、爬取拉钩网爬虫工程师数据并保存到MongoDB中


1、分析网页:想要爬取一个网站,首先必须去分析改网页的请求结构和返回结果结构。



由上图分析可知:请求url和请求方式post。



由上图可知:请求所需要的Cookie、Referer、和User-Agent。这些都是请求需要的参数。



点击response,可以看到该请求返回值,这样看不方便,我们可以全选复制,用json转换工具看一下:





由上图分析可知请求的参数:first:是否是第一页,pn:当前页数,kd:搜索关键字



由截图分析可知,返回结果中content-->positionResult-->result中数据是我所需要的。


代码实现:


import requests
from pymongo import MongoClient
import time
from fake_useragent import UserAgent
client=MongoClient()
db=client.lagou
lagou=db.Reptile #创建Reptile集合,用于保存爬取到的数据集合
headers={
'Cookie':'',#此处写入你分析所得的Cookie
'Referer':''#此处写入你分析所得的Referer
}
def get_job_info(page,kd):#加入一个职位参数kd
for i in range(page):
url=''#此处写入你分析后所得的请求url
payload={
'first':'true',#是否是第一页参数
'pn':i,#当前页数。起翻页作用
'kd':kd #关键字
}
ua=UserAgent()#定义生成随机User-Agent的实例对象
headers['User-Agent']=ua.random #使用fake-Agent随机生成User-Agent,添加到headers
response=requests.post(url,data=payload,headers=headers)#获取请求结果
if(response.status_code==200):
job_json=response.json()['content']['positionResult']['result']#取出需要的数据
lagou.insert(job_json)#保存到MongoDB数据
else:
print('请求错误!')
print('正在爬取'+str(i+1)+'页的数据...')
if __name__=='__main__':
get_job_info(7,'爬虫')

MongoDB保存数据成功后的结构如下图 所示:



第七城市th7cn

最新文章

123

最新摄影

微信扫一扫

第七城市微信公众平台