网络数据抓取-二级页面-Python-爬虫

智能决策上手系列教程索引

我们继续上一篇抓取Boss直聘网站招聘列表的练习，进一步抓取每个招聘的详细信息。

网络数据抓取-Python-爬虫-Header-Boss直聘

代码回顾(中间啰嗦部分被省略)：

url='https://www.zhipin.com/c101020100/h_101020100/?query=%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD&page='
headers={
  'user-agent':'Mozilla/5.0'
}
page=1
hud=['职位名','薪资1','薪资2','地点','经验','学历','公司行业','融资阶段','公司人数','发布日期','发布人']
print('\t'.join(hud))

import requests
from bs4 import BeautifulSoup
for n in range(1,21):  
    html=requests.get(url+str(page),headers=headers)
    page+=1  
    soup = BeautifulSoup(html.text, 'html.parser')
    for item in soup.find_all('div','job-primary'):
      shuchu=[]
      shuchu.append(item.find('div','job-title').string) #职位名
     ...
      print('\t'.join(shuchu))

1. 分析页面

对于https://www.zhipin.com/c101020100/h_101020100/?query=人工智能&page=1这个页面，我们再次右击某个招聘的标题文字，检查Elements元素面板：

我们需要让爬虫自动的打开每个详细页面，并提取里面的有用信息，以便于我们存储到Excel表格里面进行分析。

下图是我们期望的顺序：

2. 获取链接

BeautifulSoup获取元素属性的方法是直接使用['属性名']，比如这里我们需要获取href属性，那么就只要找到这个a标记，然后.['href']就可以得到链接地址了。

建议你新建一个文件，然后使用下面精简过的代码进行测试（这里改为range(1,2)只读取第1页）：

url='https://www.zhipin.com/c101020100/h_101020100/?query=%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD&page='
headers={
  'user-agent':'Mozilla/5.0'
}
page=1
hud=['职位名','薪资1','薪资2','地点','经验','学历','公司行业','融资阶段','公司人数','发布日期','发布人']
print('\t'.join(hud))

import requests
from bs4 import BeautifulSoup
for n in range(1,2):  
    html=requests.get(url+str(page),headers=headers)
    page+=1  
    soup = BeautifulSoup(html.text, 'html.parser')
    for item in soup.find_all('div','job-primary'):
      shuchu=[]
      shuchu.append(item.find('div','job-title').string) #职位名     
      
      #读取每个职位的详细信息页面
      link=item.find('div','info-primary').find('h3').find('a')['href']
      print(link)
      #print('\t'.join(shuchu))

Python里面，如果你需要临时禁用一行代码，可以在它开头添加井号#；如果你需要临时禁用多行代码，那么需要在开始和结尾添加三个单引号'''

3. 请求详情页面并提取数据

打开任意一个详情页面比如这个页面，可以看到我们需要的职位详情内容包含在一个<div class='text'>的标记元素下面。

这里有个难题，这个text div里面的内容很乱，包含了很多空格回车还有<br>这样的东西，用以前的.string是不行的，但用.text就能很好的解决这些问题

在Notebook里再新建一个代码文件，测试下面的代码：

import requests
from bs4 import BeautifulSoup
headers={
  'user-agent':'Mozilla/5.0'
}
def getDetails(link):
    xq_html=requests.get('https://www.zhipin.com'+link,headers=headers)
    xq_soup= BeautifulSoup(xq_html.text, 'html.parser')
    miaoshu=xq_soup.find('div','job-sec').find('div','text').text #获得标记的内部文字
    miaoshu=miaoshu.lstrip().rstrip() #去除开头和结尾的空格
    return miaoshu
xq=getDetails('/job_detail/7231c7f3bb87e0f51XZ43tm8F1A~.html')
print(xq)

这里我们使用了几个新的知识：

• def getDetails(link), def xxx(a):这是创建了一个函数。def是define(定义）的意思。
  • 什么是函数？函数就是动作，跑可以是一个函数，打你也是一个函数，所以我们可以创建def run():也可以创建def hit(someone):这样的函数。
  • 创建的目的是为了使用。其实我们一致在使用函数，比如print('hello!')就是在使用print函数，执行输出hello这个单词的动作；同样，requests.get(...)也是在执行requests自身带有的get动作函数，上面的xq=getDetails(...)就是使用了我们自己创建的getDetails函数。
  • return miaoshu,这里是指函数最后输出的结果，类似html=requests.get(...)这样把获取到的页面数据输出给html这个对象。我们的getDetails函数也会把整理后的miaoshu文字输出给下面的xq。
• 元素.text和元素.string差不多效果，都是得到元素里面的文字，但.text可以去掉掺杂在里面的尖括号。
• lstrip().rstrip()，左右去掉多余的空格，left-strip,right-strip的意思。

4. 合并代码

我们测试好了之后，把它们合并到一起（仍然是只拉取第一页职位列表）：

强烈推荐安装Anaconda，使用它自带的Jupyter Notebook来运行下面这个代码。使用天池Notebook可能导致被Boss直聘网站禁用后无法修复的问题。

url='https://www.zhipin.com/c101020100/h_101020100/?query=%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD&page='
headers={
  'user-agent':'Mozilla/5.0'
}
hud=['页数','职位名','薪资1','薪资2','地点','经验','学历','公司行业','融资阶段','公司人数','发布日期','发布人','详情']
print('\t'.join(hud))

import requests
from bs4 import BeautifulSoup
import time
def getDetails(link):
    xq_html=requests.get('https://www.zhipin.com'+link,headers=headers)
    xq_soup= BeautifulSoup(xq_html.text, 'html.parser')
    miaoshu=''
    try:
        miaoshu=xq_soup.find('div','job-sec').find('div','text').text #获得标记的内部文字
        miaoshu=miaoshu.lstrip().rstrip() #去除开头和结尾的空格
    except:
        miaoshu='None'
    return miaoshu 

for n in range(1,2):  
    html=requests.get(url+str(n),headers=headers)
    soup = BeautifulSoup(html.text, 'html.parser')
    liebiao=soup.find_all('div','job-primary')
    for item in liebiao:
      shuchu=[]
      shuchu.append(str(n))
      shuchu.append(item.find('div','job-title').string) #职位名
      
      xinzi=item.find('span','red').string
      xinzi=xinzi.replace('k','')
      xinzi=xinzi.split('-')
      shuchu.append(xinzi[0]) #薪资起始数
      shuchu.append(xinzi[1]) #薪资起始数
      
      yaoqiu=item.find('p').contents
      shuchu.append(yaoqiu[0].string  if len(yaoqiu)>0 else 'None') #地点
      shuchu.append(yaoqiu[2].string  if len(yaoqiu)>2 else 'None') #经验
      shuchu.append(yaoqiu[4].string  if len(yaoqiu)>4 else 'None') #学历
      
      gongsi=item.find('div','info-company').find('p').contents
      shuchu.append(gongsi[0].string  if len(gongsi)>0 else 'None') #公司行业
      shuchu.append(gongsi[2].string  if len(gongsi)>2 else 'None') #融资阶段
      shuchu.append(gongsi[4].string if len(gongsi)>4 else 'None') #公司人数
      
      shuchu.append(item.find('div','info-publis').find('p').string.replace('发布于','')) #发布日期
      shuchu.append(item.find('div','info-publis').find('h3').contents[3].string) #发布人
      
      #读取每个职位的详细信息页面
      link=item.find('div','info-primary').find('h3').find('a')['href']
      xq=getDetails(link)
      shuchu.append(xq)      
      print('\t'.join(shuchu))
      time.sleep(1)

如果你的代码本来好好地，然后就不能正常运行，或者能运行但是详情字段都输出None，那么请做以下尝试：

• 如果完全无反应，可以尝试在最初发送列表请求后添加一行print(html.text)，输出最初得到的页面内容，查看是否正常，有没有被服务器拒绝的字样。
• 检查这个链接地址是否能在浏览器正常打开。
• 如果弹出下面这个画面，不用担心，手工输入一下验证码就好了，然后可以继续爬数据。这是因为Boss直聘网站服务器发觉你请求页面的频率太多了，要确认一下你是真人而不是爬虫。
• 你可能需要多次修改for n in range(1,21)中的1，这个1代表从第几页列表开始爬取，Boss直聘似乎是每次爬取100个详情页面（3个列表页）左右就要验证一下，所以你需要3页3页的爬取，然后粘贴到excel中放到一起。
  Boss直聘网站的人工验证

目前还不确定Boss直聘的反爬虫机制，不过下一篇我们一定会深入讨论更多内容，届时也许会有更好办法。

这里在getDetails函数里面增加了try:...except:...这个用法，它表示尝试着执行try后面的代码，如果运行出错（比如找不到对应的标记元素导致find函数失败),那么就执行except:后面的代码。

5. 关于请求失败

Boss直聘的页面相对还是比较容易抓取的，但是如果你频繁发送页面请求，他们的服务器会把你的网络IP地址给封禁，让你再也请求不到他们服务器的任何数据。

如果你不确定当前电脑的IP是否被他们服务器封禁，可以在浏览器里面查看打开你代码中的任意链接，看是否能正常访问，如果可以那就没事。Boss直聘有时候封禁你只是临时的，你只要在浏览器内正常验证一下表示当前你是真人不是爬虫，那么就能解除封禁。

这种封禁一般是几分钟到1小时，罕见彻底封禁不自动解禁的。

如果你被封禁了又急需解锁，那么恐怕最快的办法就是换个IP了，可以试试看换台电脑或者换到别的网线接口上，如果是家庭宽带，也可以试试看拔掉网线过几分钟再插上。

原则上讲，网站服务器一般不会采用封IP的办法的，因为如果是一个公司共用这个宽带，那么一旦封禁IP，全公司都不能访问他们的网站了，其他人会觉得这个网站很糟而弃用。

我并不确定Boss直聘网站是否真的采用了封IP的方法，无论如何，下一篇我们将讨论如何破解另外一种反爬虫的机制。——对于封禁IP的方法来反爬虫，代码上几乎是误解的，你必须有很多个IP来运行你的爬虫，很多个IP可以是很多台电脑，也可以是代理服务器，暂时我们不讨论这个。

如果你希望成为一个真正的爬虫专家，那么你需要认真的学习一些计算机网络通信的基础知识，可以在网上购买一些大学计算机通信专业的课本来看。——当然这不是我推荐每个人去做的。

6. 后续学习

经过这三篇文章的学习，你应该已经准备好迈入编程的门槛了，接下来的情况天池Notebook可能就不够用了，建议你正式下载和安装Anaconda。
请认真参照我的这个教程进行。

Anaconda安装和Jupyter Notebook上手教程

智能决策上手系列教程索引

每个人的智能决策新时代

如果您发现文章错误，请不吝留言指正；
如果您觉得有用，请点喜欢；
如果您觉得很有用，欢迎转载~

END