Python程序员需要掌握的网络爬虫技术
干货教程部分 ：
作者：黄永祥（也是书的作者噢）
当下是一个大数据的时代，各个行业都离不开数据的支持，因此，网络爬虫应运而生。编写网络爬虫当下最为火热的语言毫无疑问是Python，原因是，Python开发爬虫相对简单，功能库完善，易于学习。
本教程我们爬取前程无忧的招聘信息来分析Python程序员需要掌握的爬虫编程技术。首先在谷歌浏览器打开前程无忧的首页，按F12键打开浏览器的开发者工具。浏览器开发者工具是用于捕捉网站的请求信息，通过分析请求信息可以了解请求参数、请求方式和响应内容。如图所示。
从图上可以看到，我们将搜索关键字添加设置python，搜索地区设为广州。浏览器的地址为：
https://search.51job.com/list/030200,000000,0000,00,9,99,python,2,1.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=
由请求链接的格式分析可知，该请求为GET请求，并且带有多个请求参数。为了简化请求参数，我们在浏览器上依次删除请求参数并访问删除后的请求链接，对比删除之前与删除之后的网页变化。最后请求链接的优化如下：
https://search.51job.com/list/030200,000000,0000,00,9,99,python,2,1.html
从优化后的请求链接可以看到，搜索关键字和搜索区域是隐藏在请求链接的某个位置中。搜索关键字的位置是直观可以看到的，而搜索区域需要进行分析。我们将区域改为上海，其请求链接如下：
https://search.51job.com/list/020000,000000,0000,00,9,99,python,2,1.html
通过对比发现，搜索区域030200代表广州，020000代表上海。那么问题来了，如果要切换到其他城市，怎样获取该城市的编号？ 针对这个问题，首先从上述的编号分析其特性，发现编号不存在规律性，那么应该是由网站自行定义的。因此可以在浏览器的开发者工具下查找相关的请求信息，最后在js下查到以下信息，如图所示。
现在确定了搜索关键字和搜索区域后，我们还需要确定页数，因为搜索出来的结果肯定是进行分页处理。以搜索关键字为python，搜索地区为广州，点击第二页，其请求链接如下：
# 第一页
https://search.51job.com/list/030200,000000,0000,00,9,99,python,2,1.html
# 第二页
https://search.51job.com/list/030200,000000,0000,00,9,99,python,2,2.html对比发现，我们可确定页数的位置，最终，请求链接的地址修改如下：
# 变量cityCode是城市编号
# 变量keyWord是搜索关键词
# 变量pageNum是搜索页数
'https://search.51job.com/list/'+cityCode+',000000,0000,00,9,99,'+keyWord+',2,'+pageNum+'.html'确定请求链接后，我们在分析该请求的响应内容，从响应内容中获取所需的数据内容，如图所示。
从图上可知，我们需要爬取职位的岗位要求和任职要求的数据，因此在当前页面中，我们需要获取职位的URL地址。根据上述分析，功能代码如下：
import requests
from bs4 import BeautifulSoup
# 函数参数分别为城市编号、关键词和循环的页数
def get_url(http://mmbiz.qpic.cn/mmbiz/G1lssUsxJOsVVJNUIuKfUP7bLm5EVWxXl5znicMum6Os0CMJHPdeHicicZ4W5MGOVa8ooSXYuE61Ek/0):
headers = {
'Host':'search.51job.com',
'Upgrade-Insecure-Requests': '1',
'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
}
temp_list = []
for i in range(int(pageNum)):
url = 'https://search.51job.com/list/'+cityCode+',000000,0000,00,9,99,'+keyWord+',2,'+str(i+1)+'.html'
r = requests.get(url, headers=headers)
soup = BeautifulSoup(r.content.decode('gbk'),'html5lib')
find_div = soup.find_all('div',class_='el')
# 获取职位的URL
for j in find_div:
find_href = j.find('a')
if 'https://jobs.51job.com' in str(find_href):
temp_list.append(find_href['href'])
return temp_list得到职位的URL之后，接下来分析职位的信息页面。在职位信息页，分别获取职位信息和任职要求，网页分析如图所示。
图上的响应内容中，职位信息是在HTML的div标签，属性class为bmsg job_msg inbox，并且属性值是唯一的，因此可以通过该标签进行定位获取数据。其代码功能如下：
# 获取职位信息
def get_data(job_url):
headers = {
'Host': 'jobs.51job.com',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
}
# 遍历职位url列表，获取每个职位的职位信息
for url in job_url:
r = requests.get(url, headers=headers)
soup = BeautifulSoup(r.content.decode('gbk'), 'html5lib')
find_job = soup.find('div', class_='bmsg job_msg inbox').find_all('p')
temp_list = []
# 获取职位信息
for k in find_job:
# 简单的数据清洗
if not '：' in str(k) and not ':' in str(k) and k.getText():
if '、' in k.getText():
text = k.getText().split('、')[1].strip()
else:
text = k.getText().strip()
temp_list.append(text)
# 将数据写入CSV文件
if ''.join(temp_list).strip():
f = open('text.csv', 'a', newline='', encoding='utf-8')
writer = csv.writer(f)
writer.writerow([''.join(temp_list)])
f.close()
我们将两个函数get_url和get_data写在spider.py文件，代码如下：
import requests
from bs4 import BeautifulSoup
import csv
# 函数参数分别为城市编号、关键词和循环的页数
def get_url(http://mmbiz.qpic.cn/mmbiz/G1lssUsxJOsVVJNUIuKfUP7bLm5EVWxXl5znicMum6Os0CMJHPdeHicicZ4W5MGOVa8ooSXYuE61Ek/0):
headers = {
'Host':'search.51job.com',
'Upgrade-Insecure-Requests': '1',
'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
}
temp_list = []
for i in range(int(pageNum)):
url = 'https://search.51job.com/list/'+cityCode+',000000,0000,00,9,99,'+keyWord+',2,'+str(i+1)+'.html'
r = requests.get(url, headers=headers)
soup = BeautifulSoup(r.content.decode('gbk'),'html5lib')
find_div = soup.find_all('div',class_='el')
# 获取职位的URL
for j in find_div:
find_href = j.find('a')
if 'https://jobs.51job.com' in str(find_href):
temp_list.append(find_href['href'])
return temp_list
# 获取职位信息
def get_data(job_url):
headers = {
'Host': 'jobs.51job.com',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
}
# 遍历职位url列表，获取每个职位的职位信息
for url in job_url:
r = requests.get(url, headers=headers)
soup = BeautifulSoup(r.content.decode('gbk'), 'html5lib')
find_job = soup.find('div', class_='bmsg job_msg inbox').find_all('p')
temp_list = []
# 获取职位信息
for k in find_job:
# 简单的数据清洗
if not '：' in str(k) and not ':' in str(k) and k.getText():
if '、' in k.getText():
text = k.getText().split('、')[1].strip()
else:
text = k.getText().strip()
temp_list.append(text)
# 将数据写入CSV文件
if ''.join(temp_list).strip():
f = open('text.csv', 'a', newline='', encoding='utf-8')
writer = csv.writer(f)
writer.writerow([''.join(temp_list)])
f.close()
if __name__ == '__main__':
cityCode = '030200'
keyWord = 'python'
pageNum = 2
job_url = get_url(http://mmbiz.qpic.cn/mmbiz/G1lssUsxJOsVVJNUIuKfUP7bLm5EVWxXl5znicMum6Os0CMJHPdeHicicZ4W5MGOVa8ooSXYuE61Ek/0)
get_data(job_url)本例子只获取关键字为python，搜索区域为广州，页数为两页的职位信息。（如果读者想爬取多地方多关键词的职位信息，可自行修改）。代码运行后，在文件spider.py同一目录下自动生成text.csv文件，文件内容如下：
现在有了职位信息的数据后，下一步是对这些数据进行分析。数据分析我们采用人工智能的自然语言处理，根据提供的关键词来计算相关词列表。首先对数据进行分词处理，将数据划分为词语。中文分词建议使用jieba模块，分词的效果相当较高，在分词之前，还需要对数据进行清洗，清洗数据中一些标点符号，如下所示：
import csv,re
import jieba
# 数据清洗并分词
csv_reader=csv.reader(open('text.csv',encoding='utf-8'))
seg_list = []
for row in csv_reader:
temp_list = jieba.cut(row[0], cut_all=False)
results = re.sub('[（）：:？“”；．～?/《》【】，,。！()·、.\d ]+', ' ', ' '.join(temp_list))
seg_list.append(results)
# 将分词写入文件
f = open('data.txt','w',encoding='utf-8')
f.write(' '.join(seg_list))
f.close()数据清洗完毕会自动保存在文件data.txt，打开data.txt查看数据内容，如图所示。
数据清洗完成后，最后一步就是建模，我们使用gensim模块实现，由word2vec函数方法实现建模，其功能代码如下：
# 通过word2vec计算相关词列表
from gensim import models
# 建模
sentences = models.word2vec.LineSentence('data.txt')
model = models.word2vec.Word2Vec(sentences, size=1000, window=25, min_count=5, workers=4)
# 计算前50个与python相关的词列表
sim = model.wv.most_similar('python', topn=50)
for s in sim:
print("word:%s,similar:%s " %(s[0],s[1]))
我们将上述的代码写在analysis.py，文件analysis.py的代码如下：
import csv,re
import jieba
from gensim import models
# 数据清洗并分词
csv_reader=csv.reader(open('text.csv',encoding='utf-8'))
seg_list = []
for row in csv_reader:
temp_list = jieba.cut(row[0], cut_all=False)
results = re.sub('[（）：:？“”；．～?/《》【】，,。！()·、.\d ]+', ' ', ' '.join(temp_list))
seg_list.append(results)
# 将分词写入文件
f = open('data.txt','w',encoding='utf-8')
f.write(' '.join(seg_list))
f.close()
# 通过word2vec计算相关词列表
# 建模
sentences = models.word2vec.LineSentence('data.txt')
model = models.word2vec.Word2Vec(sentences, size=1000, window=25, min_count=5, workers=4)
# 计算前50个与python相关的词列表
sim = model.wv.most_similar('python', topn=50)
for s in sim:
print("word:%s,similar:%s " %(s[0],s[1]))运行analysis.py，输出结果如图所示：
从结果可以看到，要作为一名合格的Python程序员，首先主要掌握Django和scrapy两大框架，selenium是自动化测试技术；数据库以MySQL数据库为主，掌握SQL语句不在话下；掌握memcached缓存系统，linux操作，计算机TCP协议；最后还要涉猎Java，C和Nodejs等一些目前主流开发语言等。