Python爬虫抓取智联招聘(基础版)

对于每个上班族来说,总要经历几次换工作,如何在网上挑到心仪的工作?如何提前为心仪工作的面试做准备?今天我们来抓取智联招聘的招聘信息,助你换工作成功!

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":

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:

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 HeadersQuery String Parameters

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:

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:

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('<a style=.*? target="_blank">(.*?)a>.*?' # 匹配职位信息 '<td class="gsmc"><a href="(.*?)" target="_blank">(.*?)a>.*?' # 匹配公司网址和公司名称 '<td class="zwyx">(.*?)td>', 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:

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 csv def write_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() def write_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):

执行以下命令进行安装:pip install tqdm

简单示例:

from tqdm import tqdm from time import sleep for 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 re import csv import requests from tqdm import tqdm from urllib.parse import urlencode from requests.exceptions import RequestException def get_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.text return None except RequestException as e: return None def parse_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 '(.*?).*?' # 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) 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] } def write_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) def write_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() def write_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) def main(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)

上面代码执行效果如图所示:

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:

原文发布于微信公众号 - IT派(transfer_3255716726)

原文发表时间:2018-04-26

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏不二小段

【爬虫军火库】下载保存图片(文件)

今天开始开一个新坑,暂且叫做【爬虫军火库】吧。以前一直想系统地写些东西,最终大都未能成文,想来我不适合发宏愿立长志,还是一步一个脚印地写点零碎的东西。有关爬虫,...

33380
来自专栏happyJared

用Python统计你的简书数据

  说来也巧,之前有一次无意间留意到简书好像没有做文章总阅读量的统计(准确的说法应该叫展示),刚好最近有时间,趁这个机会就用Python写了这么个功能,既是学习...

17910
来自专栏腾讯移动品质中心TMQ的专栏

和开发一起写代码,让测试左移起来

一、写在前面的话 互联网产品的迭代速度之快,各位都深有体会。做为产品质量的保障者,测试人员经常为测试时间不足而烦恼,如何打破现状来让现在变得更好一些,这是我们一...

24670
来自专栏友弟技术工作室

程序员必知必会的那些邪恶的脚本

朝圣 前言 程序员必须掌握一定的运维知识。本文通过一些邪恶,搞破坏的方式。教会你一些危险的脚本操作。 附赠 运维意识与运维规范 1.线上操作规范 ...

35370
来自专栏Java架构

Java 10正式发布,最新特性全解读

19340
来自专栏mini188

openfire的组件(Component)开发

在之前的文章《Openfire阶段实践总结》中提到过一种openfire的扩展模式Compoent。本文将主要探讨对这种模式的应用与开发方法。 内部与外部组件介...

28180
来自专栏Linyb极客之路

缓存三大问题及解决方案

随着互联网系统发展的逐步完善,提高系统的qps,目前的绝大部分系统都增加了缓存机制从而避免请求过多的直接与数据库操作从而造成系统瓶颈,极大的提升了用户体验和系统...

13320
来自专栏Java呓语

外观模式(封装交互,简化调用)

机器人Samu与主人Alice的故事仍在继续,这次Samu宕机了。Alice重启了Samu,Samu在每次重启的时候都会做些预定的事件。

11220
来自专栏CDA数据分析师

用Python爬虫获取自己感兴趣的博客文章

作者 CDA数据分析师 在CSDN上有很多精彩的技术博客文章,我们可以把它爬取下来,保存在本地磁盘,可以很方便以后阅读和学习,现在我们就用python编写一段...

36180
来自专栏日常学python

用Python把表情包都爬下来,从此不用再担心斗图会输。

进入斗图啦 1、进入斗图啦网址,点击“最新表情”,再点击第二、第三页,得出规律如下:

16120

扫码关注云+社区

领取腾讯云代金券