本文主要是介绍爬虫——Python 爬取51job 职位信息,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!
既然要爬取职位信息,那么首先要弄清楚目标页面的分布规律。
输入职位关键词和相应的地点等条件,然后搜索就可以看到岗位信息。
首先通过翻页来查看url的变化,以此来找到翻页时url的规律
把前面几页的url 复制下来放到文本文档里对比
不难发现除了页码外其他都没有改变
下面开始代码
# 导入相应的包
#-*-coding:utf-8-*-
from bs4 import BeautifulSoup
import requests
import chardet
from lxml import etree
编写一个函数来获取每页的 html 信息
def get_content(page): # 获取每页全部 html信息 # 爬取的页面 urlurl='https://search.51job.com/list/080200,000000,0000,00,9,99,Python,2,'+str(page)+'.html?lang=c&stype=1&postchannel\=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare='# 设置代理信息headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.109 Safari/537.36'}# requests 获取页面信息rqg=requests.get(url,headers=headers)# 字符转码rqg.encoding=chardet.detect(rqg.content)['encoding'] rqg.encoding="iso-8859-1"html=rqg.content.decode('iso-8859-1').encode('iso-8859-1')soup=BeautifulSoup(html,'lxml')soup.prettify() #格式化soup对象return soup # 返回soup对象
接下来设置列表以存储相应的数据
Name=[] # 初步存储职位名称信息(有 \n\n 的)
Name1=[] # 存储最终的职位名称
Company=[] # 公司名称
Location=[] # 工作地点
Salary=[] # 薪资
Published=[] # 发布时间
从每页数据中提取我们需要的部分
for i in range(1,11): # 循环爬取每页数据 (这里爬取1~10页)soup=get_content(i)#名称name=soup.find_all('p',class_="t1") # 用 find_all 方法搜索所有 class为t1 的 p 对象for n in name:Name.append(n.get_text()) # 提取文本度追加到 Name 列表中### 以下代码注释类似 #######company=soup.find_all('span',class_="t2")for i in company:Company.append(i.get_text()) location=soup.find_all('span',class_="t3")for i in location:Location.append(i.get_text())salary=soup.find_all('span',class_="t4")for i in salary:Salary.append(i.get_text())published=soup.find_all('span',class_="t5")for i in published:Published.append(i.get_text())for a in Name:Name1.append(a.strip()) # 提取 Name 中的职位名称
Name1.insert(0,'职位') # Name1 列表中插入“职位” 以保证数据对应
岗位数据已经存储到相应的列表 中,下面把它存储到csv文件中
(这里用pandas来把数据写入csv文件)
import pandas as pd
# 将获取到的数据保存到 csv 文件
df=pd.DataFrame(list(zip(Name1,Company,Location,Salary,Published)))
outputfile='C:/Users/AQQWVFBUKN/Desktop/51job.csv'
df.to_csv(outputfile,index=False,encoding='utf_8_sig',header=False)
存储到csv后:
######### 以下附上完整代码
#-*-coding:utf-8-*-
from bs4 import BeautifulSoup
import requests
import chardet
from lxml import etreedef get_content(page): # 获取每页全部 html信息 # 爬取的页面 urlurl='https://search.51job.com/list/080200,000000,0000,00,9,99,Python,2,'+str(page)+'.html?lang=c&stype=1&postchannel\=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare='# 设置代理信息headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.109 Safari/537.36'}rqg=requests.get(url,headers=headers)# 字符转码rqg.encoding=chardet.detect(rqg.content)['encoding'] rqg.encoding="iso-8859-1"html=rqg.content.decode('iso-8859-1').encode('iso-8859-1')soup=BeautifulSoup(html,'lxml')soup.prettify() #格式化soup对象return soupName=[] # 初步存储职位名称信息(有 \n\n 的)
Name1=[] # 存储最终的职位名称
Company=[] # 公司名称
Location=[] # 工作地点
Salary=[] # 薪资
Published=[] # 发布时间
for i in range(1,11): # 循环爬取每页数据 soup=get_content(i)#名称name=soup.find_all('p',class_="t1") # 用 find_all 方法搜索所有 class为t1 的 p 对象for n in name:Name.append(n.get_text()) # 提取文本度追加到 Name 列表中### 以下代码注释类似 #######company=soup.find_all('span',class_="t2")for i in company:Company.append(i.get_text()) location=soup.find_all('span',class_="t3")for i in location:Location.append(i.get_text())salary=soup.find_all('span',class_="t4")for i in salary:Salary.append(i.get_text())published=soup.find_all('span',class_="t5")for i in published:Published.append(i.get_text())for a in Name:Name1.append(a.strip()) # 提取 Name 中的职位名称
Name1.insert(0,'职位') # Name1 列表中插入“职位” 以保证数据对应Name=[] # 初步存储职位名称信息(有 \n\n 的)
Name1=[] # 存储最终的职位名称
Company=[] # 公司名称
Location=[] # 工作地点
Salary=[] # 薪资
Published=[] # 发布时间
for i in range(1,11): # 循环爬取每页数据 soup=get_content(i)#名称name=soup.find_all('p',class_="t1") # 用 find_all 方法搜索所有 class为t1 的 p 对象for n in name:Name.append(n.get_text()) # 提取文本度追加到 Name 列表中### 以下代码注释类似 #######company=soup.find_all('span',class_="t2")for i in company:Company.append(i.get_text()) location=soup.find_all('span',class_="t3")for i in location:Location.append(i.get_text())salary=soup.find_all('span',class_="t4")for i in salary:Salary.append(i.get_text())published=soup.find_all('span',class_="t5")for i in published:Published.append(i.get_text())for a in Name:Name1.append(a.strip()) # 提取 Name 中的职位名称
Name1.insert(0,'职位') # Name1 列表中插入“职位” 以保证数据对应import pandas as pd
# 将获取到的数据保存到 csv 文件
df=pd.DataFrame(list(zip(Name1,Company,Location,Salary,Published)))
outputfile='C:/Users/AQQWVFBUKN/Desktop/51job.csv'
df.to_csv(outputfile,index=False,encoding='utf_8_sig',header=False)
这篇关于爬虫——Python 爬取51job 职位信息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!