转载：Python多进程抓取拉钩网十万数据

准备

安装Mongodb数据库

其实不是一定要使用MongoDB，大家完全可以使用MySQL或者Redis，全看大家喜好。这篇文章我们的例子是Mongodb，所以大家需要下载它。

在Windows中。由于MongoDB默认的数据目录为C:datadb，建议大家直接在安装的时候更改默认路径为C:MongoDB.

然后创建如下目录文件：

C:datalogmongod.log //用于存储数据库的日志

C:datadb //用于存储数据库数据

然后在C:MongoDB文件夹下（安装 Mongodb 路径）创建配置文件mongod.cfg。并且在配置文件里写入以下配置：

大家记住要打开文件后缀名，不然我们可能创建了一个mongod.cfg.txt文件。

最后我们需要打开管理员权限的 CMD 窗口，执行如下命令，安装数据库成服务：

"C:mongodbbinmongod.exe"--config "C:mongodbmongod.cfg"--install

设置为服务后，需要在管理员权限打开的windows cmd窗口用服务的方式启动或停止MongoDB。

net start mongodb //启动mongodb服务

net stop mongodb //关闭mongodb服务

好了，安装好Mongodb数据库后，我们需要安装PyMongo，它是MongoDB的Python接口开发包。

pip install pymongo

推荐下我自己创建的Python学习交流群960410445

开始

准备完成后，我们就开始浏览拉勾网。我们可以发现拉勾网所有的招聘职位都在左侧分类里。如图：

我们先获取首页HTML文件:

然后我们打开开发者工具，找到招聘职业的位置。

大家还记得BeautifulSoup的CSS选择器吧，我们直接使用.select()方法获取标签信息。

输出结果：

[<a class="curr"href="https://www.lagou.com/zhaopin/Java/"data-lg-tj-cid="idnull"data-lg-tj-id="4O00"data-lg-tj-no="0101">Java</a>, <a class="curr"href="https://www.lagou.com/zhaopin/C%2B%2B/"data-lg-tj-cid="idnull"data-lg-tj-id="4O00"data-lg-tj-no="0102">C++</a>, # ... 省略部分 https://www.lagou.com/zhaopin/fengxiankongzhizongjian/" data-lg-tj-cid="idnull" data-lg-tj-id="4U00" data-lg-tj-no="0404">风控总监, https://www.lagou.com/zhaopin/zongcaifuzongcai/" data-lg-tj-cid="idnull" data-lg-tj-id="4U00" data-lg-tj-no="0405">副总裁]
260

获取到所有职位标签的a标签后，我们只需要提取标签的href属性和标签内内容，就可以获得到职位的招聘链接和招聘职位的名称了。我们准备信息生成一个字典。方便我们后续程序的调用。

这里我们用zip函数，同时迭代两个list。生成一个键值对。

接下来我们可以随意点击一个职位分类，分析招聘页面的信息。

分页

我们首先来分析下网站页数信息。经过我的观察，每个职位的招聘信息最多不超过 30 页。也就是说，我们只要从第 1 页循环到第 30 页，就可以得到所有招聘信息了。但是也可以看到有的职位招聘信息，页数并不到 30 页。以下图为例：

如果我们访问页面：https://www.lagou.com/zhaopin/Java/31/

也就是第 31 页。我们会得到 404 页面。所以我们需要在访问到404页面时进行过滤。

ifresp.status_code ==404:

pass

这样我们就可以放心的 30 页循环获得每一页招聘信息了。

我们的每一页url使用format拼接出来：

link ='{}{}/'.format(url, str(pages))

获取信息

获取到全部信息后，我们同样的把他们组成键值对字典。

组成字典的目的是方便我们将全部信息保存到数据库。

保存数据

保存数据库前我们需要配置数据库信息：

这里我们导入了pymongo库，并且与MongoDB建立连接，这里是默认连接本地的MongoDB数据。创建并选择一个数据库lagou，并在这个数据库中，创建一个table，即url_list。然后，我们进行数据的保存：

ifurl_list.insert_one(data):

print('保存数据库成功', data)

如果保存成功，打印出成功信息。

多线程爬取

十万多条数据是不是抓取的有点慢，有办法，我们使用多进程同时抓取。由于Python的历史遗留问题，多线程在Python中始终是个美丽的梦。

我们把之前提取职位招聘信息的代码，写成一个函数，方便我们调用。这里的parse_link()就是这个函数，他就收职位的 url 和所有页数为参数。我们get_alllink_data()函数里面使用for循环 30 页的数据。然后这个作为主函数传给多进程内部调用。

这里是一个pool进程池，我们调用进程池的map方法.

map(func, iterable[,chunksize=None])

多进程Pool类中的map方法，与Python内置的map函数用法行为基本一致。它会使进程阻塞，直到返回结果。需要注意，虽然第二个参数是一个迭代器，但在实际使用中，必须在整个队列都就绪后，程序才会运行子进程。join()

方法等待子进程结束后再继续往下运行，通常用于进程间的同步.

反爬虫处理

如果大家就这样整理完代码，直接就开始抓取的话。相信在抓取的不久后就会出现程序中止不走了。我刚刚第一次中止后，我以为是网站限制了我的 ip。于是我做了如下改动。