阅读 64

Python爬虫抓取智联招聘(基础版)

原文链接: click.aliyun.com

运行平台: Windows Python版本: Python3.6 IDE: Sublime Text 其他工具: Chrome浏览器

1、网页分析

1.1 分析请求地址

以北京海淀区的python工程师为例进行网页分析。打开智联招聘首页,选择北京地区,在搜索框输入"python工程师 ",点击"搜工作 ":

1240

想学习可以加Python学习q-u-n-227-435-450 即可获取,内附:开发工具和安装包,以及系统学习路线图,接下来跳转到搜索结果页面,按"F12 "打开开发者工具,然后在"热门地区"栏选择"海淀",我们看一下地址栏:

1240

由地址栏后半部分searchresult.ashx?jl=北京&kw=python工程师&sm=0&isfilter=1&p=1&re=2005可以看出,我们要自己构造地址了。接下来要对开发者工具进行分析,按照如图所示步骤找到我们需要的数据:Request Headers和 Query String Parameters :

1240

构造请求地址:

paras = {'jl': '北京', # 搜索城市'kw': 'python工程师', # 搜索关键词 'isadv': 0, # 是否打开更详细搜索选项'isfilter': 1, # 是否对结果过滤'p': 1, # 页数're': 2005# region的缩写,地区,2005代表海淀}url = 'https://sou.zhaopin.com/jobs/searchresult.ashx?' + urlencode(paras)

请求头:

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36','Host': 'sou.zhaopin.com','Referer': 'https://www.zhaopin.com/','Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8','Accept-Encoding': 'gzip, deflate, br','Accept-Language': 'zh-CN,zh;q=0.9'}

1.2 分析有用数据

接下来我们要分析有用数据,从搜索结果中我们需要的数据有:职位名称、公司名称、公司详情页地址、职位月薪:

1240

通过网页元素定位找到这几项在HTML文件中的位置,如下图所示:

1240

用正则表达式对这四项内容进行提取:

# 正则表达式进行解析pattern = re.compile('(.*?).*?' # 匹配职位信息 '(.*?).*?' # 匹配公司网址和公司名称 '(.*?)', re.S) # 匹配月薪 # 匹配所有符合条件的内容items = re.findall(pattern, html)

注意:解析出来的部分职位名称带有标签,如下图所示:

1240

那么在解析之后要对该数据进行处理剔除标签,用如下代码实现:

for item in items: job_name = item[0] job_name = job_name.replace('', '') job_name = job_name.replace('', '')yield {'job': job_name,'website': item[1],'company': item[2],'salary': item[3] }

2、写入文件

我们获取到的数据每个职位的信息项都相同,可以写到数据库中,但是本文选择了csv文件,以下为百度百科解释:

逗号分隔值(Comma-Separated Values,CSV,有时也称为字符分隔值,因为分隔字符也可以不是逗号),其文件以纯文本形式存储表格数据(数字和文本)。纯文本意味着该文件是一个字符序列,不含必须像二进制数字那样被解读的数据。

由于python内置了csv文件操作的库函数,所以很方便:

import csvdefwrite_csv_headers(path, headers):''' 写入表头 '''with open(path, 'a', encoding='gb18030', newline='') as f: f_csv = csv.DictWriter(f, headers) f_csv.writeheader()defwrite_csv_rows(path, headers, rows):''' 写入行 '''with open(path, 'a', encoding='gb18030', newline='') as f: f_csv = csv.DictWriter(f, headers) f_csv.writerows(rows)

3、进度显示

要想找到理想工作,一定要对更多的职位进行筛选,那么我们抓取的数据量一定很大,几十页、几百页甚至几千页,那么我们要掌握抓取进度心里才能更加踏实啊,所以要加入进度条显示功能。

本文选择tqdm 进行进度显示,来看一下酷炫结果(图片来源网络):

strip

执行以下命令进行安装:pip install tqdm。

简单示例:

from tqdm import tqdmfrom time import sleepfor i in tqdm(range(1000)): sleep(0.01)

4、完整代码

以上是所有功能的分析,如下为完整代码:

#-*- coding: utf-8 -*-import reimport csvimport requestsfrom tqdm import tqdmfrom urllib.parse import urlencodefrom requests.exceptions import RequestExceptiondefget_one_page(city, keyword, region, page):''' 获取网页html内容并返回 ''' paras = {'jl': city, # 搜索城市'kw': keyword, # 搜索关键词 'isadv': 0, # 是否打开更详细搜索选项'isfilter': 1, # 是否对结果过滤'p': page, # 页数're': region # region的缩写,地区,2005代表海淀 } headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36','Host': 'sou.zhaopin.com','Referer': 'https://www.zhaopin.com/','Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8','Accept-Encoding': 'gzip, deflate, br','Accept-Language': 'zh-CN,zh;q=0.9' } url = 'https://sou.zhaopin.com/jobs/searchresult.ashx?' + urlencode(paras)try:# 获取网页内容,返回html数据 response = requests.get(url, headers=headers)# 通过状态码判断是否获取成功if response.status_code == 200:return response.textreturnNoneexcept RequestException as e:returnNonedefparse_one_page(html):''' 解析HTML代码,提取有用信息并返回 '''# 正则表达式进行解析 pattern = re.compile('(.*?).*?'# 匹配职位信息'

', re.S) # 匹配月薪 # 匹配所有符合条件的内容 items = re.findall(pattern, html) for item in items: job_name = item[0] job_name = job_name.replace('', '') job_name = job_name.replace('', '')yield {'job': job_name,'website': item[1],'company': item[2],'salary': item[3] }defwrite_csv_file(path, headers, rows):''' 将表头和行写入csv文件 '''# 加入encoding防止中文写入报错# newline参数防止每写入一行都多一个空行with open(path, 'a', encoding='gb18030', newline='') as f: f_csv = csv.DictWriter(f, headers) f_csv.writeheader() f_csv.writerows(rows)defwrite_csv_headers(path, headers):''' 写入表头 '''with open(path, 'a', encoding='gb18030', newline='') as f: f_csv = csv.DictWriter(f, headers) f_csv.writeheader()defwrite_csv_rows(path, headers, rows):''' 写入行 '''with open(path, 'a', encoding='gb18030', newline='') as f: f_csv = csv.DictWriter(f, headers) f_csv.writerows(rows)defmain(city, keyword, region, pages):''' 主函数 ''' filename = 'zl_' + city + '_' + keyword + '.csv' headers = ['job', 'website', 'company', 'salary'] write_csv_headers(filename, headers)for i in tqdm(range(pages)):''' 获取该页中所有职位信息,写入csv文件 ''' jobs = [] html = get_one_page(city, keyword, region, i) items = parse_one_page(html)for item in items: jobs.append(item) write_csv_rows(filename, headers, jobs)if __name__ == '__main__': main('北京', 'python工程师', 2005, 10)

(.*?).*?'# 匹配公司网址和公司名称'(.*?)

上面代码执行效果如图所示:

1240

执行完成后会在py同级文件夹下会生成名为:zl_北京_python工程师.csv的文件,打开之后效果如下:

1240
文章分类
后端