爬虫——Python 爬取51job 职位信息

2024-01-09 18:30

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。
在这里插入图片描述

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
在这里插入图片描述

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&degreefrom=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:
在这里插入图片描述

######### 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&degreefrom=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!



http://www.chinasem.cn/article/588034

相关文章

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

【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

业务中14个需要进行A/B测试的时刻[信息图]

在本指南中,我们将全面了解有关 A/B测试 的所有内容。 我们将介绍不同类型的A/B测试,如何有效地规划和启动测试,如何评估测试是否成功,您应该关注哪些指标,多年来我们发现的常见错误等等。 什么是A/B测试? A/B测试(有时称为“分割测试”)是一种实验类型,其中您创建两种或多种内容变体——如登录页面、电子邮件或广告——并将它们显示给不同的受众群体,以查看哪一种效果最好。 本质上,A/B测

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

【北交大信息所AI-Max2】使用方法

BJTU信息所集群AI_MAX2使用方法 使用的前提是预约到相应的算力卡,拥有登录权限的账号密码,一般为导师组共用一个。 有浏览器、ssh工具就可以。 1.新建集群Terminal 浏览器登陆10.126.62.75 (如果是1集群把75改成66) 交互式开发 执行器选Terminal 密码随便设一个(需记住) 工作空间:私有数据、全部文件 加速器选GeForce_RTX_2080_Ti

nudepy,一个有趣的 Python 库!

更多资料获取 📚 个人网站:ipengtao.com 大家好,今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址:https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中,检测图像中的不适当内容(例如裸露图像)是一个重要的任务。nudepy 是一个基于 Python 的库,专门用于检测图像中的不适当内容。该

pip-tools:打造可重复、可控的 Python 开发环境,解决依赖关系,让代码更稳定

在 Python 开发中,管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等,都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools? pip-tools 是一组命令行工具,旨在简化 Python 依赖关系的管理,确保项目环境的稳定性和可重复性。它主要包含两个核心工具:pip-compile 和 pip

HTML提交表单给python

python 代码 from flask import Flask, request, render_template, redirect, url_forapp = Flask(__name__)@app.route('/')def form():# 渲染表单页面return render_template('./index.html')@app.route('/submit_form',

Python3 BeautifulSoup爬虫 POJ自动提交

POJ 提交代码采用Base64加密方式 import http.cookiejarimport loggingimport urllib.parseimport urllib.requestimport base64from bs4 import BeautifulSoupfrom submitcode import SubmitCodeclass SubmitPoj():de