python爬取boss直聘职位数据,并保存到本地

2023-10-14 03:59

本文主要是介绍python爬取boss直聘职位数据,并保存到本地,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

代码环境

  1. python 3.7
  2. pip 19.0.3

主要引用的第三方库

  1. requests,用于模拟http/https请求
    • 安装: pip install requests
    • 文档: requests中文文档
  2. beautifulsoup4,用于解析网页,得出我们想要的内容。
    • 安装: pip install beautifulsoup4
    • 文档: bs4中文文档
  3. xlwt,将爬到的结果以Excel的形式保存到本地
    • 安装: pip install xlwt
    • api: xlwt api

打开网页

首先打开boss直聘官网,选择一个地点,然后输入关键字,点击搜索,这里以深圳、python为例。
在这里插入图片描述

观察地址栏URL,可以发现有四个参数,分别是query,city,industry和position,query和city很明显是我输入的python和选择的地点深圳;而industry和position也就是公司行业和职位类型,这里没有选择这两项。

分析网页

F12打开开发者工具
在这里插入图片描述
每一条职位信息都在一个<li>标签中,<li>标签下的<div class=“job-primary”>就是我们要找的内容。

代码

  • 获取城市编码

    url中的city=101280600,显示的是深圳,说明城市名有一个对应的编号,F12 点击Network选中XHR,有一个city.json
    在这里插入图片描述

import requests
from bs4 import BeautifulSoup
import json
import xlwt
import time
import randomuser_agent_list = ["Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36","Mozilla/5.0 (Windows NT 10.0; …) Gecko/20100101 Firefox/61.0","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36","Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)","Mozilla/5.0 (Macintosh; U; PPC Mac OS X 10.5; en-US; rv:1.9.2.15) Gecko/20110303 Firefox/3.6.15"
]headers = {"user-agent": random.choice(user_agent_list)}# 获取指定城市的编码
def get_city_code(city_name):response = requests.get("https://www.zhipin.com/wapi/zpCommon/data/city.json")contents = json.loads(response.text)cities = contents["zpData"]["hotCityList"]city_code = contents["zpData"]["locationCity"]["code"]for city in cities:if city["name"] == city_name:city_code = city["code"]return city_codedef get_url(query="", city="", industry="", position="", page=1):base_url = "https://www.zhipin.com/job_detail/?query={}&city={}&industry={}&position={}&page={}"urls = []url = base_url.format(query, city, industry, position, page)response = requests.get(url, headers=headers)soup = BeautifulSoup(response.text, "lxml")page_list = soup.find("div", "page").find_all("a")urls.append(url)while page_list[len(page_list) - 1]["href"] != "javascript:;":page += 1url = base_url.format(query, city, industry, position, page)urls.append(url)response = requests.get(url, headers=headers)soup = BeautifulSoup(response.text, "lxml")page_list = soup.find("div", "page").find_all("a")return urlsdef get_html(url):response = requests.get(url, headers=headers)return response.textdef job_info(job_name, company, industry, finance, staff_number, salary, site, work_experience, education_bak, job_desc):return {"job_name": job_name,"company": company,"industry": industry,"finance": finance,"staff_number": staff_number,"salary": salary,"site": site,"work_experience": work_experience,"education_bak": education_bak,"job_desc": job_desc}def get_job_desc(jid, lid):url = "https://www.zhipin.com/wapi/zpgeek/view/job/card.json?jid={}&lid={}"response = requests.get(url.format(jid, lid), headers=headers)html = json.loads(response.text)["zpData"]["html"]soup = BeautifulSoup(html, "lxml")desc = soup.find("div", "detail-bottom-text").get_text()return descdef get_content(html):bs = BeautifulSoup(html, 'lxml')contents = []for info in bs.find_all("div", "job-primary"):job_name = info.find("div", "job-title").get_text()company = info.find("div", "company-text").a.get_text()jid = info.find("div", "info-primary").a["data-jid"]lid = info.find("div", "info-primary").a["data-lid"]desc = get_job_desc(jid, lid)texts = [text for text in info.find("div", "info-primary").p.stripped_strings]site = texts[0]work_exp = texts[1]edu_bak = texts[2]salary = info.span.get_text()companies = [text for text in info.find("div", "company-text").p.stripped_strings]industry = companies[0]if len(companies) > 2:finance = companies[1]staff_num = companies[2]else:finance = Nonestaff_num = companies[1]contents.append(job_info(job_name, company, industry, finance, staff_num, salary, site, work_exp, edu_bak, desc))time.sleep(1)return contentsdef save_data(content, city, query):file = xlwt.Workbook(encoding="utf-8", style_compression=0)sheet = file.add_sheet("job_info", cell_overwrite_ok=True)sheet.write(0, 0, "职位名称")sheet.write(0, 1, "公司名称")sheet.write(0, 2, "行业")sheet.write(0, 3, "融资情况")sheet.write(0, 4, "公司人数")sheet.write(0, 5, "薪资")sheet.write(0, 6, "工作地点")sheet.write(0, 7, "工作经验")sheet.write(0, 8, "学历要求")sheet.write(0, 9, "职位描述")for i in range(len(content)):sheet.write(i+1, 0, content[i]["job_name"])sheet.write(i+1, 1, content[i]["company"])sheet.write(i+1, 2, content[i]["industry"])sheet.write(i+1, 3, content[i]["finance"])sheet.write(i+1, 4, content[i]["staff_number"])sheet.write(i+1, 5, content[i]["salary"])sheet.write(i+1, 6, content[i]["site"])sheet.write(i+1, 7, content[i]["work_experience"])sheet.write(i+1, 8, content[i]["education_bak"])sheet.write(i+1, 9, content[i]["job_desc"])file.save(r'c:\projects\{}_{}.xls'.format(city, query))def main():city_name = "深圳"city = get_city_code(city_name)query = "python"urls = get_url(query=query, city=city)contents = []for url in urls:html = get_html(url)content = get_content(html)contents += contenttime.sleep(5)save_data(contents, city_name, query)if __name__ == '__main__':main()

这篇关于python爬取boss直聘职位数据,并保存到本地的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/207984

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss