我们以腾讯社招页面来做示例:http://hr.tencent.com/position.php?&start=0#a
如上图,使用BeautifulSoup4解析器,将图1中229页,每页10个招聘信息,共2289个招聘信息中的职位名称、职位类别、招聘人数、工作地点、工作职责、工作要求、详情链接等信息存储在本地磁盘(如下图)。
#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'
"""
案例:使用BeautifulSoup4爬取腾讯招聘页面的数据
url:http://hr.tencent.com/position.php?&start=10#a
使用BeautifulSoup4解析器,爬取每个招聘详情页面里面的:
职位名称、工作地点、职位类别、招聘人数、工作职责、工作要求、url链接
"""
from bs4 import BeautifulSoup
import urllib.request
import json
# 创建一个爬虫类
class TencentSpider(object):
"""
一个爬虫类:爬取腾讯招聘页面信息
"""
def __init__(self):
"""
初始化函数
:return:
"""
# User-Agent头
self.header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}
self.url = "http://hr.tencent.com/"
self.file_name = open("tencent.txt", "w", encoding = "utf-8")
# 爬虫开始工作
self.run()
def run(self):
"""
爬虫开始工作
:return:
"""
# 首页
start_page = 1
# 尾页
end_page = self.getLastPage(self.url + "position.php?&start=0#a")
# 循环处理每一页
for page in range(start_page, end_page + 1):
print("正在处理第" + str(page) + "页")
# 每一页有10个招聘信息
pn = (page - 1) * 10
# 接接成完整的url地址
full_url = self.url + "position.php?&start=" + str(pn) + "#a"
# 获取招聘详情链接:l square
link_list = self.getPositons(full_url)
for link in link_list:
# 拼接成完整的链接
full_link = self.url + link
# 获取招聘信息页面里的所需爬取的信息
self.getPositionInfo(full_link)
# 关闭文件
self.file_name.close()
def getLastPage(self, url):
"""
获取尾页的page值
:param url: 首页的url地址
:return: 尾页的page值
"""
# 获取url页面的内容:bytes
html = self.loadPage(url)
# bytes转utf-8
html = html.decode("utf-8")
# 创建 Beautiful Soup 对象,指定lxml解析器
soup = BeautifulSoup(html, "lxml")
page_nav = soup.select('div[class="pagenav"]')[0]
page = page_nav.find_all('a')[-2].get_text()
return int(page)
def loadPage(self, url):
"""
获取url页面的内容
:param url: 需要获取内容的url地址
:return: url页面的内容
"""
# url 连同 headers,一起构造Request请求,这个请求将附带 chrome 浏览器的User-Agent
request = urllib.request.Request(url, headers = self.header)
# 向服务器发送这个请求
response = urllib.request.urlopen(request)
# time.sleep(3)
# 获取网页内容:bytes
html = response.read()
return html
def getPositons(self, url):
"""
获取url页面内的招聘详情链接
:param url:
:return:
"""
# 获取url页面的内容:bytes
html = self.loadPage(url)
# bytes转utf-8
html = html.decode("utf-8")
# 创建 Beautiful Soup 对象,指定lxml解析器
soup = BeautifulSoup(html, "lxml")
item_list = soup.select('td[class="l square"]')
link_list = []
for item in item_list:
item = item.select('a')[0].attrs['href']
link_list.append(item)
return link_list
def getPositionInfo(self, url):
"""
获取我们需爬取的信息
:param url: 招聘详情页面
:return: None
"""
# 获取url页面的内容:bytes
html = self.loadPage(url)
# bytes转utf-8
html = html.decode("utf-8")
# 创建 Beautiful Soup 对象,指定lxml解析器
soup = BeautifulSoup(html, "lxml")
# 用于存储所爬取信息的字典
item = {}
try:
# 职位名称
position_name = soup.find_all()[0].get_text()
# 工作地点、职位类型、招聘人数
bottomline = soup.select('tr[class="c bottomline"] td')
# 工作地点
working_place = bottomline[0].get_text()[5:]
# 职位类别
position_category = bottomline[1].get_text()[5:]
# 招聘人数
numbers = bottomline[2].get_text()[5:]
# 工作职责
operating_duty_list = soup.select('ul[class="squareli"]')[0].select('li')
operating_duty = ""
for duty in operating_duty_list:
operating_duty += duty.get_text().strip() + "\n"
# 工作要求
requirements_list = soup.select('ul[class="squareli"]')[1].select('li')
requirements = ""
for requ in requirements_list:
requirements += requ.get_text().strip() + "\n"
# url链接
url_links = url
# 职位名称、工作地点、职位类别、招聘人数、工作职责、工作要求、url链接
item["职位名称"] = position_name
item["工作地点"] = working_place
item["职位类别"] = position_category
item["招聘人数"] = numbers
item["工作职责"] = operating_duty
item["工作要求"] = requirements
item["url链接"] = url_links
except:
# 若异常、则舍弃这条信息
pass
# 保存这条记录
if item:
line = json.dumps(item, ensure_ascii = False) + "\n"
self.file_name.write(line)
# 主函数
if __name__ == '__main__':
my_spider = TencentSpider()