python3使用scrapy生成csv文件代码示例

去腾讯招聘网的信息，这个小项目有人做过，本着一个新手学习的目的，所以自己也来做着玩玩，大家可以参考一下。

这里使用的是调用cmdline命令来生成csv文件，而不是importcsv模块。

from scrapy import cmdline
cmdline.execute("scrapy crawl field -o info.csv -t csv".split())

这段代码我保存在一个自建的.py文件中，然后在主文件中调用这个模块，这样就不用每次在cmd中敲命令了，大家可以使用这种方法我觉得很方便的。

进入正题（获取腾讯招聘网的信息http://hr.tencent.com/position.php）：

保存的csv文件内容：

我们需要获取的数据首先应该使用scrapy的items容器记录下来：

import scrapy

class GetItem(scrapy.Item):
 name = scrapy.Field()    #招聘单位
 genre = scrapy.Field()   #招聘类型
 number = scrapy.Field()   #招聘人数
 place = scrapy.Field()   #招聘地点
 time = scrapy.Field()    #招聘时间

以上为我们等一下需要获取的信息

然后我们新建spider文件来编写爬去网站的代码：

# _*_ coding:utf-8 _*_
import scrapy
from scrapy.http import Request
from time import sleep
import os
import sys
sys.path.append("D:\PYscrapy\get_Field") #我使用这种路径添加的方式来调用GetItem函数和main函数
from get_Field.items import GetItem
import main  #main函数开头就说了两行调用程序的代码，你也可以在cmd中使用scrapy crawl field -o info.csv -t csv来调用。主要是方便

class Tencentzhaopin(scrapy.Spider):
 name = "field"  #这个程序要执行的唯一标识名 可以自己设置
 start_urls = ["http://hr.tencent.com/position.php?&start=0#a"] #首页网址
 url = "http://hr.tencent.com/" #由于有翻页操作所以我们设置翻页前缀，等一下获取后缀
 count = 0
 names = []    #这五个列表记录我们获取的信息
 genres = []
 numbers = []
 places = []
 times = []
 filename = "data.txt"  #保存的文件名
 if os.path.exists(filename) == True:  #判断这个文件是否已经存在文件夹中，有就移除掉。
   os.remove(filename)

def parse(self,response):
   self.count += 1 #设置我们需要爬去多少页，不设置的话会有几百页需要爬取
   name = response.xpath('//table//td[@class="l square"]//a//text()').extract()
   #通过xpath方法获取我们需要的内容，再使用extract()抽取器获取到
   for i in name:    #利用循环将每一次的内容存入我们上面设置的列表中去，方便后面存入csv文件（下面4个类似）
     self.names.append(i)
   genre = response.xpath('//table//tr[not(@class="h")]//td[2][not(@align="center")]//text()').extract()
   for i in genre:
     self.genres.append(i)
   number = response.xpath('//table//tr[not(@class="h")]//td[3][not(@align="center")]//text()').extract()
   for i in number:
     self.numbers.append(i)
   place = response.xpath('//table//tr[not(@class="h")]//td[4][not(@align="center")]//text()').extract()
   for i in place:
     self.places.append(i)
   time = response.xpath('//table//tr[not(@class="h")]//td[5][not(@align="center")]//text()').extract()
   for i in time:
     self.times.append(i)

new_url = response.xpath('//*[@id="next"]//@href').extract()
   #前面我们说过需要翻页操作，所以这里是获取到翻页的后缀
   new_url = self.url+new_url[0] #再与前缀结合，获取到一个完整的下一页链接
   sleep(0.5) #我们设置一个翻页的时间，太快了不好。。。。（我是这样想的）

#下面就是信息存入items容器
   for i in range(len(self.genres)): #for循环列表的长度，获取到所有信息
     info = GetItem()  #实例一个类info用来保存数据
     info["name"] = self.names[i]    #将每一个属性列表中的每一个数据保存依次保存到info中去
     info["genre"] = self.genres[i]
     info["number"] = self.numbers[i]
     info["place"] = self.places[i]
     info["time"] = self.times[i]
     yield info #这个yield注意了，嗯，这就很舒服了
     #我们将每一次保存的数据返回，但是返回了我们还需要程序继续执行，所以使用yield函数返回后继续执行

if self.count<=20:
     yield Request(url=new_url,callback=self.parse)
     #如果满足20页以内，我们callback返回下一页的链接继续到parse这个默认函数，

以上是spider中的代码。

其实实现这个代码不难，唯一有一点小疑惑的地方可能就是第一个yield的使用，一开始我是使用调用一个新的函数，然后在里面实现值的返回，但是麻烦还有一点小问题，所以这里我们就是用这种简单的方式就行了，yield将每次循环的数据返回，返回后再继续执行循环。

来源：http://blog.csdn.net/qq_36523839/article/details/72730626#comments