南京音乐推荐联合社

详细步骤+剖码,实战拆解Python爬取智联招聘职位

2020-05-22 14:23:06

王大伟,Python社区专栏作者

博客:https://zhuanlan.zhihu.com/pythoncoder


观察网站结构

打开智联招聘网页,搜索数据分析师,出来很多招聘岗位,限定全国范围,从下图看出有12354个职位,一共有90页,看最后一页职位已经只是和数据分析师相关而已。



看看最后一页搜索结果




PS:小技巧,在页面下部跳转页面输入一个很大的数字,比如10000可以跳到最后一页。

右键查看网页源代码,CTRL+F搜索关键要爬取信息,如下图红框内容







页面红框上的 大数据分析师 字样竟然搜不到!!!



可能藏在json文件里了

那就再试试,搜一下 数据分析师




这下总算有了




为什么会这样呢,经过检查发现:




大和后面的数据分析中间有个<b>标签,这是什么意思,吓得我赶紧百度了一下




设置成粗体?exm?好吧 图上确实是显示粗体




继续观察源代码,发现我想要的信息都在这(下图红框),看来不用抓包分析辣~






开始写爬虫程序

打开我最爱的pycharm(直译为py的魅力)不信你百度看


没时间解释了,快上车!


好吧,你根本不是司机,开始写代码。。。



#!/usr/bin/python
# -*- coding: utf-8 -*-

from urllib import request
import re
import os,glob
import xlwt

开头声明一下我用的utf-8国际编码

导入一些模块

PS:

1.request模块主要是会自动解码来自服务器的内容

2.re模块是写正则表达式提取信息用

3.glob是一个文件操作相关模块,用它可以查找符合自己目的的文件,类似于Windows下的文件搜索

4.os模块提供了一个统一的操作系统接口函数

5.xlwt模块读写excel文件需要

book = xlwt.Workbook()
sheet = book.add_sheet('sheet', cell_overwrite_ok=True)
path = 'D:\\work'
os.chdir(path)

以上是设置路径和为最后数据写入excel文件做铺垫

result11=[]
result21=[]
result31=[]
result41=[]
result51=[]

建立五个空的列表放我要抓的最终信息




经尝试网站是gbk编码,我实际操作中发现和上图红框内中文有关,所以encode和decode总是报错,我想找个不含中文的同样网址,试试F12吧


在网页按下F12,刷新网页,观察到请求的url是下图红框中的




里面没有中文啊,复制出来访问看看。

果然一样!!!

注意到这个url最后有个p=1,这很可能是页码,我换成5试试吧





看上图,果然是这样,我试试最后第90页





果然是这样,接下来继续写代码

for k in range(1,91):
   html=request.urlopen("http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%e5%85%a8%e5%9b%bd&kw=%e6%95%b0%e6%8d%ae%e5%88%86%e6%9e%90%e5%b8%88&sm=0&isfilter=0&fl=489&isadv=0&sg=aae5284f62664af8b14611bda6d68315&p="+str(k)).read()    #读取网页源代码内容


   pat1 = 'onclick="submitLog.*?">(.*?)</a>'
   pat2 = '<td class="gsmc"><a href="https://ask.hellobi.com/(.*?)" target='
   pat3 = '<td class="zwyx">(.*?)</td>'
   pat4 = '<td class="gzdd">(.*?)</td>'
   pat5 = 'target="_blank">(.*?)<'

   result1 = re.compile(pat1).findall(str(html,"utf-8"))
   result2 = re.compile(pat2).findall(str(html,"utf-8"))
   result3 = re.compile(pat3).findall(str(html,"utf-8"))
   result4 = re.compile(pat4).findall(str(html,"utf-8"))
   result5 = re.compile(pat5).findall(str(html,"utf-8"))

   result11.extend(result1)
   result21.extend(result2)
   result31.extend(result3)
   result41.extend(result4)
   result51.extend(result5)

range(1,91)循环爬取1~90页,p="+str(k)是为了构造循环网址(我要把90页全爬下来)

通过观察网页构造选择正则提取

每次提取一页中的所有信息不断循环存在result11~51的列表里

j = 0
for i in range(0,len(result11)):
   try:
       zhiwei = result11[i]
       wangzhi = result21[i]
       gongzi = result31[i]
       gongzuodidian = result41[i]
       gongsimingcheng = result51[i]
   
       sheet.write(i + 1, j, zhiwei)
       sheet.write(i + 1, j + 1, wangzhi)
       sheet.write(i + 1, j + 2, gongzi)
       sheet.write(i + 1, j + 3, gongzuodidian)
       sheet.write(i + 1, j + 4, gongsimingcheng)

   except Exception as e:
       print('出现异常:' + str(e))
       continue

book.save('d:\\shujufenxishi.xls')

最后把列表文件循环写到本地xls文件中

结果如下图





一共5221条数据,并不是网页搜索的12354条,这活生生被吃了一半不止啊!




我又运行了一下,果然数量不一样了,好吧。。。这个问题还有待解决,麻烦各位dalao懂的话留言提醒一下小弟。




这个<b></b>标签看着难受,用excel做点后处理




查找替换




报错了额

原来我默认的是wps打开,换成office的excel打开之后操作结果如下




是不是好多了呢,有机会以后继续写写针对本数据后续的数据分析~


完整代码

#!/usr/bin/python
# -*- coding: utf-8 -*-

from urllib import request
import re
import os,glob
import xlwt

book = xlwt.Workbook()
sheet = book.add_sheet('sheet', cell_overwrite_ok=True)
path = 'D:\\work'
os.chdir(path)
result11=[]
result21=[]
result31=[]
result41=[]
result51=[]

for k in range(1,91):
   html=request.urlopen("http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%e5%85%a8%e5%9b%bd&kw=%e6%95%b0%e6%8d%ae%e5%88%86%e6%9e%90%e5%b8%88&sm=0&isfilter=0&fl=489&isadv=0&sg=aae5284f62664af8b14611bda6d68315&p="+str(k)).read()    #读取网页源代码内容


   pat1 = 'onclick="submitLog.*?">(.*?)</a>'
   pat2 = '<td class="gsmc"><a href="https://ask.hellobi.com/(.*?)" target='
   pat3 = '<td class="zwyx">(.*?)</td>'
   pat4 = '<td class="gzdd">(.*?)</td>'
   pat5 = 'target="_blank">(.*?)<'
   #pat6 = '<span>(.*?)</span>'
   #pat7 = 'target="_blank">(.*?)</a>'

   result1 = re.compile(pat1).findall(str(html,"utf-8"))
   result2 = re.compile(pat2).findall(str(html,"utf-8"))
   result3 = re.compile(pat3).findall(str(html,"utf-8"))
   result4 = re.compile(pat4).findall(str(html,"utf-8"))
   result5 = re.compile(pat5).findall(str(html,"utf-8"))
   result11.extend(result1)
   result21.extend(result2)
   result31.extend(result3)
   result41.extend(result4)
   result51.extend(result5)


j = 0
for i in range(0,len(result11)):
   try:
       zhiwei = result11[i]
       wangzhi = result21[i]
       gongzi = result31[i]
       gongzuodidian = result41[i]
       gongsimingcheng = result51[i]

       sheet.write(i + 1, j, zhiwei)
       sheet.write(i + 1, j + 1, wangzhi)
       sheet.write(i + 1, j + 2, gongzi)
       sheet.write(i + 1, j + 3, gongzuodidian)
       sheet.write(i + 1, j + 4, gongsimingcheng)

   except Exception as e:
       print('出现异常:' + str(e))
       continue

book.save('d:\\shujufenxishi.xls')

代码运行大概15~20second


免费爬虫视频获取: 关注公众号,“Python爱好者社区”,回复“爬虫”即可获取。


Python爱好者社区


为大家提供与Python相关的最新技术和资讯。


长按指纹 > 识别图中二维码 > 添加关注


Copyright © 南京音乐推荐联合社@2017