利用Python爬虫某招聘网站岗位信息
故事又要从一个盆友说起
昨晚有个盆友 问我 爬虫学的怎么样了?
正当我不明所以之际，盆友的微信语音通话接了进来
友：“看你在学python，爬虫写的怎么样了呀，我想抓一下某招聘网站的数据，能帮我整一个吗，不行的话我也去看看”
我：“哦哦，你不是技术嘛，自己来嘛
友：“我不是没怎么接触过嘛”
我：“行，刚好我也学习下，周末有时间我帮你看下”
简单介绍下这个朋友吧，游戏圈某技术大拿，真大拿的那种！！
故事聊完了，咱们开工吧
1、前期准备
因为是爬虫，所以咱们需要用到如下几个库
- requests
- fake_useragent
- json
- pandas
Requests 的介绍是这样的： 唯一的一个非转基因的 Python HTTP 库，人类可以安全享用
反正就是你用来获取网页数据需要用到的，本次咱们只需要用到get方法:
res=request.get(url)构造一个向服务器请求资源的url对象， 这个对象是Request库内部生成的， 这时候的res返回的是一个包含服务器资源的Response对象，包含从服务器返回的所有的相关资源。
fake_useragent 直译就是 假身份，作用和直译基本一样，是个表里不一的“人”
UserAgent是识别浏览器的一串字符串，相当于浏览器的身份证，在利用爬虫爬取网站数据时，频繁更换UserAgent可以避免触发相应的反爬机制。fake-useragent对频繁更换UserAgent提供了很好的支持，可谓防反扒利器。
json 就是上期我们本来打算介绍但是换了一个库实现的 用于处理json数据，可以将已编码的 JSON 字符串解码为 Python 对象
pandas 是我们的老朋友了，因为常和excel打交道，对表格的钟爱，所以pandas在这里主要作用只是将抓取的数据转化为dataframe型后导出成excel表
导入需要用到的库
import requests
from fake_useragent import UserAgent
import json
import pandas as pd
import time
2、任务分析
其实这步应该在 第1步 前期准备 之前，但是文档写到了这里，咱也不想回去了。
这一步很关键，主要是思路分析，大致可以分为以下几点：
- 明确你需要的数据是什么
- 找到你需要的数据来源
- 理清原始数据的结构
- 输出你需要的数据形式
1)明确你需要的数据
比如盆友需要岗位信息，包含哪些字段，常规的有岗位名称、薪酬范围、需要的工作年限等等。当你明确需要的数据指标之后，你再去数据来源看是否有这些指标已经如何获取。
岗位 | 薪酬 | 年限 |
|---|---|---|
运营 | 30-50k | 5-8年 |
技术 | 30-50k | 5-8年 |
2)找到你需要的数据来源
盆友需要的是脉脉上的岗位信息，那么我们需要熟悉脉脉的岗位信息在哪可见，以及它们是如何展示的。
这是移动端
移动端没法直接获取url信息，我们可以去pc端看看
这是pc端
这里pc端用的是Google Chrome浏览器 为了让你能够点开xhr等等，你需要安装一个浏览器工具
下载浏览器驱动程序：http://chromedriver.storage.googleapis.com/index.html
查看驱动和浏览器版本的映射关系：http://blog.csdn.net/huilan_same/article/details/51896672
pc端是一个列表，我们通过下拉可以加载更多，这说明这个页面是非静态页面，因此在获取url的时候需要特别注意。
操作流程：
- 第1步，获取数据源URL地址： F12 打开浏览器开发者工具调试页面，选中network——xhr，刷新网页后选择 招聘，可以看见右侧有刷新调试页面有内容刷新，选中最近一个刷新的条目即可获取数据源url地址，见右侧的request URL内容即是。
- 第2步，找到该URL地址规律： url = 'https://maimai.cn/sdk/company/obtian_company_job?webcid=jYZTTwkX&count=20&page=0&job_title='(你点了应该会提示没数据)，仔细分析，我们可以得到动态变化部分应该为count和page，count表示每页20个，page表示当前页数。通过修改count和page后再浏览器打开我们验证了该判断。
- 第3步，获取数据源URL地址： 因为网页动态，这里建议把cookie记录下来备用，cookie数据在request Header中。
3)理清原始数据的结构
当我们获取到数据来源url之后，就需要理清这些原始数据长啥样，如此才好去解析整理出想要的信息。打开一个url，我们发现是一个json，嗯，很完整的多层json。
网页json图
使用json.loads方法做简单的预处理，然后我们一层一层寻找目标数据指标所在。
【这里我是通过spyder变量管理器 点开数据 让大家直观理解】
- 第一层：字典
- 第二层：字典
- 第三层：列表
- 第四层：字典
4)输出你需要的数据
通过理清原始数据结构，结合你需要的数据，咱们就可以进行数据简单过滤选择了
直接创建一个空字典，存储你需要的数据信息
3、实现细节
1)材料准备
将url按照规律进行拆分
#url里count和page是变化的规律所在，自选一个进行循环
#因脉脉没有通用的岗位list汇总页面，因此如果想获取其他list可以通过搜索或者查询指定公司职位后修改url即可
#url = https://maimai.cn/sdk/company/obtian_company_job?webcid=jYZTTwkX&count=20&page=50&job_title=
path = 'https://maimai.cn/sdk/company/obtian_company_job?webcid=jYZTTwkX&count=20&page='
tail = '&job_title='
#这里需要注意，一定要加cookie，否则将获取不到数据
headers = {"User-Agent": UserAgent(verify_ssl=False).random,
"Cookie":'填入你自己的浏览器cookie值'}
2)数据请求
请求数据并用json.load()简单进行数据类型转化python对象
#创建空list，用于存储抓取的岗位信息（字典存储）
list = []
#计数用的变量n
n = 0
#因单页显示20条岗位信息，所以需要翻页（实际网页效果是下拉加载更多）
#数据为json，因此需要json.load 解析
for i in range(0,51): #我这里只去前50页数据
url = path + str(i) +tail
response_comment = requests.get(url,headers = headers)
json_comment = response_comment.text
json_comment = json.loads(json_comment)
3)数据筛选
接上个for循环，因为每页内有20条数据，因此需要再用一个循环取出每条数据并存入一个空字典中，同时将每个字典合到空列表中进行汇总
data = json_comment['data']
#单页显示20条岗位信息，逐一采集
for i in range(len(data['normal_data'])):
n = n+1
#创建空字典用于存储单个岗位信息
result = {}
result['工作年限'] = data['normal_data'][i]['worktime']
result['学历要求'] = data['normal_data'][i]['degree']
result['职位描述'] = data['normal_data'][i]['description']
result['公司名称'] = data['normal_data'][i]['company']
result['工作地点'] = data['normal_data'][i]['city']
result['职位名称'] = data['normal_data'][i]['position']
result['岗位薪酬'] = data['normal_data'][i]['salary_info']
result['最近修改时间'] = data['normal_data'][i]['modify_time']
result['发布时间'] = data['normal_data'][i]['pub_time']
result['浏览量'] = data['normal_data'][i]['views']
result['发布人职位'] = data['normal_data'][i]['user']['position'].upper()
#将岗位信息存入list中
list.append(result)
4)数据导出
直接使用pandas的to_excel方法导出数据成excel
#将存有岗位信息的列表转化为dataframe表格形式
df = pd.DataFrame(list)
df.to_excel(r'F:\Python\岗位数据.xlsx',sheet_name='岗位信息',index = 0
5)结果展示
4、完整代码
import requests
from fake_useragent import UserAgent
import json
import pandas as pd
import time
start_time = time.perf_counter()
#url里count和page是变化的规律所在，自选一个进行循环
#因脉脉没有通用的岗位list汇总页面，因此如果想获取其他list可以通过搜索或者查询指定公司职位后修改url即可
#url = https://maimai.cn/sdk/company/obtian_company_job?webcid=jYZTTwkX&count=20&page=50&job_title=
path = 'https://maimai.cn/sdk/company/obtian_company_job?webcid=jYZTTwkX&count=20&page='
tail = '&job_title='
#这里需要注意，一定要加cookie，否则将获取不到数据
headers = {"User-Agent": UserAgent(verify_ssl=False).random,
"Cookie":'你的cookie'}
#创建空list，用于存储抓取的岗位信息（字典存储）
list = []
#计数用的变量n
n = 0
#因单页显示20条岗位信息，所以需要翻页（实际网页效果是下拉加载更多）
#数据为json，因此需要json.load 解析
for i in range(1,2):
url = path + str(i) +tail
response_comment = requests.get(url,headers = headers)
json_comment = response_comment.text
json_comment = json.loads(json_comment)
data = json_comment['data']
# print('\r正在抓取第%d页岗位信息（每页20个岗位）'%i,end=' ')
#单页显示20条岗位信息，逐一采集
for i in range(len(data['normal_data'])):
n = n+1
#创建空字典用于存储单个岗位信息
result = {}
result['工作年限'] = data['normal_data'][i]['worktime']
result['学历要求'] = data['normal_data'][i]['degree']
result['职位描述'] = data['normal_data'][i]['description']
result['公司名称'] = data['normal_data'][i]['company']
result['工作地点'] = data['normal_data'][i]['city']
result['职位名称'] = data['normal_data'][i]['position']
result['岗位薪酬'] = data['normal_data'][i]['salary_info']
result['最近修改时间'] = data['normal_data'][i]['modify_time']
result['发布时间'] = data['normal_data'][i]['pub_time']
result['浏览量'] = data['normal_data'][i]['views']
result['发布人职位'] = data['normal_data'][i]['user']['position'].upper()
#将岗位信息存入list中
list.append(result)
print('\r已整合%d个岗位信息'%n,end=' ')
use_time = time.perf_counter()
print('\n合计运行时长：{0:.2f} 秒'.format(use_time-start_time))
#将存有岗位信息的列表转化为dataframe表格形式
df = pd.DataFrame(list)
df.to_excel(r'F:\Python\脉脉-字节跳动招聘岗位.xlsx',sheet_name='岗位信息',index = 0)腾讯云开发者
