记录第一次Python爬虫实战:获取招聘单位名称与相应链接

本文主要是介绍记录第一次Python爬虫实战:获取招聘单位名称与相应链接,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!

        我的勤工助学工作是在就业中心推送招聘信息,其中有个每日必推的文章叫做“明日宣讲”,里面的内容是明天所有来学校做宣讲的单位名称、时间、地点以及链接到就业中心官网的单位招聘信息的二维码。

        每年九月十月是校招高峰期,所以这个时候工作量特别大,几乎每天都有四五十个单位来校宣讲,然而二维码是我们每天负责的编辑用“草料二维码”手动制作的,非常耗时又辛苦,不少编辑同学又是在读大二大三,每天的课余时间有限,手动制作已经不能满足我们当前的需要。

        看着学校就业网站上整齐排列的招聘信息,我们几个编辑叫苦不迭。在“草料”制作二维码时,我惊喜地发现,它竟然支持批量生成二维码!只需导入表格,点击几下鼠标即可。我陷入沉思:是否可以使用Python的爬虫技术,把就业网站上这些整齐的信息爬下来,然后生成表格呢?剩下的交给“草料”就完事了。说干就干!我开始了关于爬虫的学习之路。

        根据“草料”批量生码的说明,我们只要能得到单位名称和对应的网页链接即可,单位名称用于二维码的文件名称,网页链接是二维码的内容。首先,我参考了nkwshuyi老师的入门教程:

如何用Python爬数据?(一)网页抓取_玉树芝兰-CSDN博客https://blog.csdn.net/nkwshuyi/article/details/79435248


环境搭建

        我用的是Python3.7.4、Google Chrome浏览器和Visual Studio Code。下载requests_html模块和pandas模块:

pip install request_html
pip install pandas

学习教程        

        按照教程我写了以下代码:

from requests_html import HTMLSessionsession = HTMLSession()
url = 'https://jobcareer.sdu.edu.cn//eweb/jygl/index.so?modcode=jygl_xjhxxck&subsyscode=zpfw&type=ssoSearchXnzp&xjhType=all'
#url是学校就业网站
r = session.get(url)
print(r.html.text)

程序运行结果:
 

可以看到,程序运行后得到了我们想要的一些信息,但是我们制作二维码需要的链接还没有爬下来。

        继续按照教程走,在就业网站空白处右键单击,菜单中选择“检查”,网页右侧出现分栏。点击分栏左上角的按钮,图中绿色箭头标出。

        然后把鼠标悬停在第一个文内链接“沪东中华造船(集团)有限公司招聘”,点击一下。此时分栏里面,内容发生了变化。这个链接对应的源代码被放在分栏区域正中,高亮显示。

        看着高亮的代码,我傻眼了:每个招聘单位代码里清一色的“javascript:void(0);”是什么鬼???教程里那可都是实实在在的网页链接啊!!!到后面我才知道,这种叫做“javascript动态网页”,想爬得另想办法。从这里开始,我只能靠自己了。


转换思路

        我不甘心,想继续按照教程,期望能从网页中得到一些有用的信息。右键选择高亮区域代码,并且在弹出的菜单中,选择 Copy -> Copy selector。在VS Code中执行粘贴,发现复制了以下内容:

#zpeverday > li:nth-child(4) > div:nth-child(1) > a

用这些内容定义sel变量,让 Python 从返回内容中,查找 sel 对应的位置,把结果存到 results 变量中。看看 results 里面都有什么。

from requests_html import HTMLSessionsession = HTMLSession()
url = 'https://jobcareer.sdu.edu.cn//eweb/jygl/index.so?modcode=jygl_xjhxxck&subsyscode=zpfw&type=ssoSearchXnzp&xjhType=all'
r = session.get(url)
sel = '#zpeverday > li:nth-child(4) > div:nth-child(1) > a'
results = r.html.find(sel)
print(results)

 看起来像是返回了和高亮代码内容差不多的列表,这个列表中只有一个元素。

        我打算比较一下不同单位直接的网页链接,找出异同点。以前两个单位为例,他们的链接分别是:

#沪东中华造船(集团)有限公司
https://jobcareer.sdu.edu.cn/eweb/jygl/index.so?modcode=jygl_xjhxxck&subsyscode=zpfw&rklx=jyw&type=ssoXnzpView&id=6Us4o6HyTd1U79WMpfbBQv
#南京南瑞继保电气有限公司
https://jobcareer.sdu.edu.cn/eweb/jygl/index.so?modcode=jygl_xjhxxck&subsyscode=zpfw&rklx=jyw&type=ssoXnzpView&id=AEgnwsWqQpVZKW2vQz4vh2

        可以发现:除了最后一个等号后面的内容不同以外,前面都是一样的。这让我很是欣慰,前面相同的部分像是通式,后面相异的部分像是特征值,只要获取到每个单位的特征值,问题不就解决了吗!

        回顾前面和高亮代码内容差不多的列表,我发现,里面就包含了单位的特征值!

         现在我们需要做的就是把特征值给取出来,这里用到.split()方法,轻而易举便取出了特征值:

from requests_html import HTMLSessionsession = HTMLSession()
url = 'https://jobcareer.sdu.edu.cn//eweb/jygl/index.so?modcode=jygl_xjhxxck&subsyscode=zpfw&type=ssoSearchXnzp&xjhType=all'
r = session.get(url)
sel = '#zpeverday > li:nth-child(4) > div:nth-child(1) > a'
results = r.html.find(sel)
print(results)eigenvalue = str(results)
eigenvalue_list = eigenvalue.split("'") #用'分割
for i in range(len(eigenvalue_list)):print(eigenvalue_list[i])

查看运行结果,终于找到了特征值:列表倒数第四个元素。

        受教程启发,我又比较了不同单位Copy selector之后的内容:

#zpeverday > li:nth-child(4) > div:nth-child(1) > a #沪东中华造船(集团)有限公司招聘
#zpeverday > li:nth-child(5) > div:nth-child(1) > a #南京南瑞继保电气有限公司招聘

非常幸运,和教程中的情况一致,只需去掉“li”后面的“:nth-child(n)”即可。 

from requests_html import HTMLSessionsession = HTMLSession()
url = 'https://jobcareer.sdu.edu.cn//eweb/jygl/index.so?modcode=jygl_xjhxxck&subsyscode=zpfw&type=ssoSearchXnzp&xjhType=all'
r = session.get(url)
sel = '#zpeverday > li > div:nth-child(1) > a'
results = r.html.find(sel)
print(results)

        运行程序,查看结果: 

 这一次,返回了一个具有很多元素的大列表!每一个元素对应一个单位。初步实现了获取招聘网站内所有单位特征值的功能。继续使用.split()方法即可取出特征值。


最后一步

        整理并完善程序:去掉单位后面的“招聘”、过滤“已取消”的单位、并按顺序给单位编号,使用pandas模块,定制表头,生成excel表格,由于“草料”限制,只支持“.xlsx”文件。注意编码时使用“gbk”,否则可能出现乱码情况。

from requests_html import HTMLSession
import pandas as pdsession = HTMLSession()
url = 'https://jobcareer.sdu.edu.cn//eweb/jygl/index.so?modcode=jygl_xjhxxck&subsyscode=zpfw&type=ssoSearchXnzp&xjhType=all'
r = session.get(url)def get_text_link_from_sel(sel):mylist = []results = r.html.find(sel)i = 1for result in results:mytext = str(i)+result.text.replace('招聘','')if '已取消' in mytext:continueeigenvalue = str(result)eigenvalue_list = eigenvalue.split("'")mylink = 'https://jobcareer.sdu.edu.cn/eweb/jygl/index.so?modcode=jygl_xjhxxck&subsyscode=zpfw&rklx=jyw&type=ssoXnzpView&id='+ eigenvalue_list[-4]mylist.append((mytext, mylink))i = i+1return mylistdf = pd.DataFrame(get_text_link_from_sel('#zpeverday > li > div:nth-child(1) > a'))
df.columns = ['company', 'link']
df.to_excel('output.xlsx', encoding='gbk', index=False)

        运行程序,查看生成的表格:

正合我意!接下来把表格文件导入“草料”,交给它就行了。至此,我获取了单位名称和对应链接,再也不必手动制作二维码了。当然,前文关于通式和特征值的结论是由两个推广到所有单位的,所以链接的正确性还有待验证。

这篇关于记录第一次Python爬虫实战:获取招聘单位名称与相应链接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/747904

相关文章

Python实现终端清屏的几种方式详解

《Python实现终端清屏的几种方式详解》在使用Python进行终端交互式编程时,我们经常需要清空当前终端屏幕的内容,本文为大家整理了几种常见的实现方法,有需要的小伙伴可以参考下... 目录方法一:使用 `os` 模块调用系统命令方法二:使用 `subprocess` 模块执行命令方法三:打印多个换行符模拟

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器(Broker)‌‌3. pytho

基于Python开发一个图像水印批量添加工具

《基于Python开发一个图像水印批量添加工具》在当今数字化内容爆炸式增长的时代,图像版权保护已成为创作者和企业的核心需求,本方案将详细介绍一个基于PythonPIL库的工业级图像水印解决方案,有需要... 目录一、系统架构设计1.1 整体处理流程1.2 类结构设计(扩展版本)二、核心算法深入解析2.1 自

从入门到进阶讲解Python自动化Playwright实战指南

《从入门到进阶讲解Python自动化Playwright实战指南》Playwright是针对Python语言的纯自动化工具,它可以通过单个API自动执行Chromium,Firefox和WebKit... 目录Playwright 简介核心优势安装步骤观点与案例结合Playwright 核心功能从零开始学习

Python 字典 (Dictionary)使用详解

《Python字典(Dictionary)使用详解》字典是python中最重要,最常用的数据结构之一,它提供了高效的键值对存储和查找能力,:本文主要介绍Python字典(Dictionary)... 目录字典1.基本特性2.创建字典3.访问元素4.修改字典5.删除元素6.字典遍历7.字典的高级特性默认字典

Python自动化批量重命名与整理文件系统

《Python自动化批量重命名与整理文件系统》这篇文章主要为大家详细介绍了如何使用Python实现一个强大的文件批量重命名与整理工具,帮助开发者自动化这一繁琐过程,有需要的小伙伴可以了解下... 目录简介环境准备项目功能概述代码详细解析1. 导入必要的库2. 配置参数设置3. 创建日志系统4. 安全文件名处

Zabbix在MySQL性能监控方面的运用及最佳实践记录

《Zabbix在MySQL性能监控方面的运用及最佳实践记录》Zabbix通过自定义脚本和内置模板监控MySQL核心指标(连接、查询、资源、复制),支持自动发现多实例及告警通知,结合可视化仪表盘,可有效... 目录一、核心监控指标及配置1. 关键监控指标示例2. 配置方法二、自动发现与多实例管理1. 实践步骤

使用Python构建一个高效的日志处理系统

《使用Python构建一个高效的日志处理系统》这篇文章主要为大家详细讲解了如何使用Python开发一个专业的日志分析工具,能够自动化处理、分析和可视化各类日志文件,大幅提升运维效率,需要的可以了解下... 目录环境准备工具功能概述完整代码实现代码深度解析1. 类设计与初始化2. 日志解析核心逻辑3. 文件处

python生成随机唯一id的几种实现方法

《python生成随机唯一id的几种实现方法》在Python中生成随机唯一ID有多种方法,根据不同的需求场景可以选择最适合的方案,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习... 目录方法 1:使用 UUID 模块(推荐)方法 2:使用 Secrets 模块(安全敏感场景)方法

Java docx4j高效处理Word文档的实战指南

《Javadocx4j高效处理Word文档的实战指南》对于需要在Java应用程序中生成、修改或处理Word文档的开发者来说,docx4j是一个强大而专业的选择,下面我们就来看看docx4j的具体使用... 目录引言一、环境准备与基础配置1.1 Maven依赖配置1.2 初始化测试类二、增强版文档操作示例2.