对于每个上班族来说, 总要经历几次换工作, 如何在网上挑到心仪的工作? 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!
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:
- for item in items:
- 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:
- 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, 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('(.*?).*?' # 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)
- for item in items:
- 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]
- }
- 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:
来源: http://developer.51cto.com/art/201804/571157.htm