Python爬虫抓取智联招聘(基础版)

百家 作者:程序人生 2018-04-20 03:11:39

点击上方“程序人生”,选择“置顶公众号”

第一时间关注程序猿(媛)身边的故事


作者:C与Python实战

「若你有原创文章想与大家分享,欢迎投稿。」


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'200510)


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:



请点击「阅读原文」查看完整内容。


- The End -

点击图片get往期内容

关注公众号:拾黑(shiheibook)了解更多

[广告]赞助链接:

四季很好,只要有你,文娱排行榜:https://www.yaopaiming.com/
让资讯触达的更精准有趣:https://www.0xu.cn/

公众号 关注网络尖刀微信公众号
随时掌握互联网精彩
赞助链接