Python爬虫抓取智联招聘（基础版）

 

对于每个上班族来说，爬虫总要经历几次换工作，抓取智联招聘如何在网上挑到心仪的基础工作？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！爬虫

运行平台： Windows  

Python版本： Python3.6  

IDE： Sublime Text   

其他工具：  Chrome浏览器

1、抓取智联招聘网页分析

1.1 分析请求地址

以北京海淀区的基础python工程师为例进行网页分析。打开智联招聘首页，爬虫选择北京地区，抓取智联招聘在搜索框输入"python工程师"，基础点击"搜工作"：

接下来跳转到搜索结果页面，爬虫按"F12"打开开发者工具，抓取智联招聘然后在"热门地区"栏选择"海淀"，基础我们看一下地址栏：

由地址栏后半部分searchresult.ashx?爬虫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。抓取智联招聘接下来要对开发者工具进行分析，基础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、服务器租用公司详情页地址、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(<b>, )     job_name = job_name.replace(</b>, )     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，服务器托管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(<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)         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):     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, 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：

很赞哦!（9219）