爬虫——Python 爬取51job 职位信息

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 url
    url='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：

######### 以下附上完整代码

#-*-coding:utf-8-*-
from bs4 import BeautifulSoup
import requests
import chardet
from lxml import etree

def get_content(page): #   获取每页全部 html信息       
    # 爬取的页面 url
    url='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 soup

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
    
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)