掌握Python 爬虫技术 熟悉python主流类库使用,熟悉Scrapy requests Selenium等框架
熟悉Mysql 熟悉正则表达式 Xpath CssSelector beautifulsoup等网页信息解析技术。
熟悉Htpp协议,了解TCP/IP协议 熟悉Linux系统
.......
项目名称:分布式爬虫爬取北京市企业信用信息网
项目描述:
项目介绍
这个项目是通过scrapy-redis搭建分布式爬虫爬取企业信用信息网公布栏,爬取列表页每一项下的子页获取数据
我的职责
首先爬取首页后通过xpath匹配每个的信息块的span后构建请求,并通过scrapy.Request发送请求,用xpath匹配需要的信息。
同时循环创建下一页请求的form表单,通过scrapy.FormRequest发送POST请求。所有爬取的信息缓存到redis数据库中,
最后通过编写python脚本将redis数据库中数据读取出来加入mysql数据库。
其他爬取的网站:搜狐新闻、豆瓣、腾讯新闻网