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 Headers和Query 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('(.*?).*?' # 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)
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：
foriteminitems:
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：
importcsv
defwrite_csv_headers(path, headers):
'''
写入表头
'''
withopen(path,'a', encoding='gb18030', newline='')asf:
f_csv = csv.DictWriter(f, headers)
f_csv.writeheader()
defwrite_csv_rows(path, headers, rows):
'''
写入行
'''
withopen(path,'a', encoding='gb18030', newline='')asf:
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：
fromtqdmimporttqdm
fromtimeimportsleep
foriintqdm(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 -*-
importre
importcsv
importrequests
fromtqdmimporttqdm
fromurllib.parseimporturlencode
fromrequests.exceptionsimportRequestException
defget_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
ifresponse.status_code ==200:
returnresponse.text
returnNone
exceptRequestExceptionase:
returnNone
defparse_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)
foriteminitems:
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]
}
defwrite_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
withopen(path,'a', encoding='gb18030', newline='')asf:
f_csv = csv.DictWriter(f, headers)
f_csv.writeheader()
f_csv.writerows(rows)
defwrite_csv_headers(path, headers):
'''
写入表头
'''
withopen(path,'a', encoding='gb18030', newline='')asf:
f_csv = csv.DictWriter(f, headers)
f_csv.writeheader()
defwrite_csv_rows(path, headers, rows):
'''
写入行
'''
withopen(path,'a', encoding='gb18030', newline='')asf:
f_csv = csv.DictWriter(f, headers)
f_csv.writerows(rows)
defmain(city, keyword, region, pages):
'''
主函数
'''
filename ='zl_'+ city +'_'+ keyword +'.csv'
headers = ['job','website','company','salary']
write_csv_headers(filename, headers)
foriintqdm(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)
foriteminitems:
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：
网友评论