【Python爬虫】招聘网站实战合集第一弹：爬取前程无忧

本文主要是介绍【Python爬虫】招聘网站实战合集第一弹：爬取前程无忧，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！

爬个妹子总是没过，没办法，咱们来爬爬招聘网站吧~

在这里插入图片描述

本次以前程无忧为例，看看Python的工资如何。

这是今天的重点

1、爬虫的基本流程
2、re正则表达式模块的简单使用
3、requests模块的使用
4、保存csv

使用的软件

python 3.8
pycharm 2021专业版
pycharm 社区版 (免费) 没有主题
专业版 (需要激活码)

使用的模块

requests >>> pip install requests (数据请求模块) 第三方模块
re
json
csv
time

爬虫最基本的思路

一. 数据来源分析

确定我们要的爬取的内容是什么?
招聘基本数据信息
通过开发者工具进行抓包分析, 分析这些数据是从哪里可以获得
开发者工具怎么打开 : F12 或者鼠标右键点击检查

二. 代码实现步骤: 发送请求 >>> 获取数据 >>> 解析数据 >>> 保存数据

发送请求, 对于url地址发送请求
https://search.51job.com/list/010000%252C020000%252C030200%252C040000%252C090200,000000,0000,00,9,99,python,2,1.html
获取数据, 获取服务器发给我们返回的数据响应数据
解析数据, 提取我们想要的数据内容 (比如招聘标题, 招聘薪资…)
保存数据, 保存到csv文件

OK，思路都清楚的话，咱们来康康代码。

首先导入模块

import requests  # 数据请求 第三方模块 pip install requests
import re  # 正则表达式模块
import json  # 序列化与反序列化
import pprint  # 格式化输出模块
import csv  # 保存csv数据

算了，我直接贴代码吧，流程都写清楚了，我把注释也标上了。

关于这篇文章，也有相对应的视频教程：

(<> “复制代码”)

f = open('python招聘数据1.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['标题','公司名字','城市','薪资','招聘信息','公司属性','公司规模','企业性质','招聘发布日期','公司详情页','招聘详情页',
])
csv_writer.writeheader() # 写入表头数据
for page in range(1, 11):#  1. 发送请求, 对于url地址发送请求url = f'https://search.51job.com/list/010000%252C020000%252C030200%252C040000%252C090200,000000,0000,00,9,99,python,2,{page}.html'# 把python代码进行伪装, 伪装浏览器对服务器发送请求# User-Agent 浏览器的基本信息headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36'}response = requests.get(url=url, headers=headers)  # 调用 requests这个模块里面get方法对于 url发送请求#  2. 获取数据, 获取服务器发给我们返回的数据响应数据# <Response [200]> <> 表示response响应对象 200 状态码 表示请求成功# response.text 获取响应体的文本数据(网页源代码)# print(response.text)# 3. 解析数据, 提取我们想要的数据内容 (比如 招聘标题, 招聘薪资...)# 解析方法: re正则表达式, css选择器 xpath  根据服务器返回的数据内容, 选择最适合的解析方式# 遇事不决 .*? 元字符 . 可以匹配任意字符串除了换行符以外 * 匹配前一个字符串 0个或者多个 ? 非贪婪匹配模式# [] 表示列表# {} 可能想到的是字典数据类型# .*? 可以匹配任意字符串 除了 换行符\n# 通过re模块调用 findall 方法 'window.__SEARCH_RESULT__ = (.*?)</script>' 要匹配的数据内容  response.text从哪里匹配数据 [0] 列表索引取第一个元素# 正则表达式详细内容讲解 在VIP课程里面 要讲三个小时左右html_data = re.findall('window.__SEARCH_RESULT__ = (.*?)</script>', response.text, re.S)[0]# print(html_data)# print(type(html_data))# 把这个字符串数据类型 转成 字典数据类型 通过键值对取值方式提取想要的内容json_data = json.loads(html_data)# print(type(json_data))# 字符串的时候 里面的引号是双引号 字典时候就变成了单引号# print(json_data)# pprint.pprint(json_data['engine_jds'])# 字典取值 根据冒号左边的内容, 提取冒号右边的内容# parsel 数据解析for index in json_data['engine_jds']:# pprint.pprint(index)dit = {'标题': index['job_name'],'公司名字': index['company_name'],'城市': index['workarea_text'],'薪资': index['providesalary_text'],'招聘信息': '|'.join(index['attribute_text']),'公司属性': index['companyind_text'],'公司规模': index['companysize_text'],'企业性质': index['companytype_text'],'招聘发布日期': index['issuedate'],'公司详情页': index['company_href'],'招聘详情页': index['job_href'],}csv_writer.writerow(dit)print(dit)

[