Python爬蟲抓取智聯(lián)招聘（基礎版）
對于每個上班族來說，總要經歷幾次換工作，如何在網上挑到心儀的工作？如何提前為心儀工作的面試做準備？今天我們來抓取智聯(lián)招聘的招聘信息，助你換工作成功！
運行平臺： Windows
Python版本： Python3.6
IDE： Sublime Text
其他工具： Chrome瀏覽器
1、網頁分析
1.1 分析請求地址
以北京海淀區(qū)的python工程師為例進行網頁分析。打開智聯(lián)招聘首頁，選擇北京地區(qū)，在搜索框輸入"python工程師"，點擊"搜工作"：
接下來跳轉到搜索結果頁面，按"F12"打開開發(fā)者工具，然后在"熱門地區(qū)"欄選擇"海淀"，我們看一下地址欄：
由地址欄后半部分searchresult.ashx?jl=北京&kw=python工程師&sm=0&isfilter=1&p=1&re=2005可以看出，我們要自己構造地址了。接下來要對開發(fā)者工具進行分析，按照如圖所示步驟找到我們需要的數據：Request Headers和Query String Parameters ：
構造請求地址：
- paras = {
- 'jl': '北京', # 搜索城市
- 'kw': 'python工程師', # 搜索關鍵詞
- 'isadv': 0, # 是否打開更詳細搜索選項
- 'isfilter': 1, # 是否對結果過濾
- 'p': 1, # 頁數
- 're': 2005 # region的縮寫，地區(qū)，2005代表海淀
- }
- url = 'https://sou.zhaopin.com/jobs/searchresult.ashx?' + urlencode(paras)
請求頭：
- 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 分析有用數據
接下來我們要分析有用數據，從搜索結果中我們需要的數據有：職位名稱、公司名稱、公司詳情頁地址、職位月薪：
通過網頁元素定位找到這幾項在HTML文件中的位置，如下圖所示：
用正則表達式對這四項內容進行提取：
- # 正則表達式進行解析
- pattern = re.compile('<a style=.*? target="_blank">(.*?)</a>.*?' # 匹配職位信息
- '<td class="gsmc"><a href="(.*?)" target="_blank">(.*?)</a>.*?' # 匹配公司網址和公司名稱
- '<td class="zwyx">(.*?)</td>', re.S) # 匹配月薪
- # 匹配所有符合條件的內容
- items = re.findall(pattern, html)
注意：解析出來的部分職位名稱帶有標簽，如下圖所示：
那么在解析之后要對該數據進行處理剔除標簽，用如下代碼實現(xiàn)：
- for item in items:
- job_name = item[0]
- job_name = job_name.replace('<b>', '')
- job_name = job_name.replace('</b>', '')
- yield {
- 'job': job_name,
- 'website': item[1],
- 'company': item[2],
- 'salary': item[3]
- }
2、寫入文件
我們獲取到的數據每個職位的信息項都相同，可以寫到數據庫中，但是本文選擇了csv文件，以下為百度百科解釋：
逗號分隔值（Comma-Separated Values，CSV，有時也稱為字符分隔值，因為分隔字符也可以不是逗號），其文件以純文本形式存儲表格數據（數字和文本）。純文本意味著該文件是一個字符序列，不含必須像二進制數字那樣被解讀的數據。
由于python內置了csv文件操作的庫函數，所以很方便：
- import csv
- def write_csv_headers(path, headers):
- '''
- 寫入表頭
- '''
- 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):
- '''
- 寫入行
- '''
- with open(path, 'a', encoding='gb18030', newline='') as f:
- f_csv = csv.DictWriter(f, headers)
- f_csv.writerows(rows)
3、進度顯示
要想找到理想工作，一定要對更多的職位進行篩選，那么我們抓取的數據量一定很大，幾十頁、幾百頁甚至幾千頁，那么我們要掌握抓取進度心里才能更加踏實啊，所以要加入進度條顯示功能。
本文選擇tqdm 進行進度顯示，來看一下酷炫結果（圖片來源網絡）：
執(zhí)行以下命令進行安裝：pip install tqdm。
簡單示例：
- from tqdm import tqdm
- from time import sleep
- for i in tqdm(range(1000)):
- sleep(0.01)
4、完整代碼
以上是所有功能的分析，如下為完整代碼：
- #-*- 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):
- '''
- 獲取網頁html內容并返回
- '''
- paras = {
- 'jl': city, # 搜索城市
- 'kw': keyword, # 搜索關鍵詞
- 'isadv': 0, # 是否打開更詳細搜索選項
- 'isfilter': 1, # 是否對結果過濾
- 'p': page, # 頁數
- 're': region # region的縮寫，地區(qū)，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:
- # 獲取網頁內容，返回html數據
- response = requests.get(url, headers=headers)
- # 通過狀態(tài)碼判斷是否獲取成功
- if response.status_code == 200:
- return response.text
- return None
- except RequestException as e:
- return None
- def parse_one_page(html):
- '''
- 解析HTML代碼，提取有用信息并返回
- '''
- # 正則表達式進行解析
- pattern = re.compile('<a style=.*? target="_blank">(.*?)</a>.*?' # 匹配職位信息
- '<td class="gsmc"><a href="(.*?)" target="_blank">(.*?)</a>.*?' # 匹配公司網址和公司名稱
- '<td class="zwyx">(.*?)</td>', re.S) # 匹配月薪
- # 匹配所有符合條件的內容
- items = re.findall(pattern, html)
- for item in items:
- job_name = item[0]
- job_name = job_name.replace('<b>', '')
- job_name = job_name.replace('</b>', '')
- yield {
- 'job': job_name,
- 'website': item[1],
- 'company': item[2],
- 'salary': item[3]
- }
- def write_csv_file(path, headers, rows):
- '''
- 將表頭和行寫入csv文件
- '''
- # 加入encoding防止中文寫入報錯
- # newline參數防止每寫入一行都多一個空行
- 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):
- '''
- 寫入表頭
- '''
- 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):
- '''
- 寫入行
- '''
- 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):
- '''
- 主函數
- '''
- filename = 'zl_' + city + '_' + keyword + '.csv'
- headers = ['job', 'website', 'company', 'salary']
- write_csv_headers(filename, headers)
- for i in tqdm(range(pages)):
- '''
- 獲取該頁中所有職位信息，寫入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工程師', 2005, 10)
上面代碼執(zhí)行效果如圖所示：
執(zhí)行完成后會在py同級文件夾下會生成名為：zl_北京_python工程師.csv的文件，打開之后效果如下：
