接下来跳转到搜索结果页面,按"F12"打开开发者工具,然后在"热门地区"栏选择"海淀",我们看一下地址栏:
由地址栏后半部分searchresult.ashx?jl=北京&kw=python工程师&sm=0&isfilter=1&p=1&re=2005
可以看出,我们要自己构造地址了。接下来要对开发者工具进行分析,按照如图所示步骤找到我们需要的数据:Request Headers和Query String Parameters
:
构造请求地址:
paras = {
‘jl’: ‘北京’, # 搜索城市
‘kw’: ‘python工程师’, # 搜索关键词
‘isadv’: 0, # 是否打开更详细搜索选项
‘isfilter’: 1, # 是否对结果过滤
‘p’: 1, # 页数
‘re’: 2005 # region的缩写,地区,2005代表海淀
}
url = ‘https://sou.zhaopin.com/jobs/searchresult.ashx?’ + urlencode(paras)
请求头:
headers = {
‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36’,
‘Host’: ‘sou.zhaopin.com’,
‘Referer’: ‘https://www.zhaopin.com/’,
‘Accept’: ‘text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,/;q=0.8’,
‘Accept-Encoding’: ‘gzip, deflate, br’,
‘Accept-Language’: ‘zh-CN,zh;q=0.9’
}
1.2 分析有用数据
接下来我们要分析有用数据,从搜索结果中我们需要的数据有:职位名称、公司名称、公司详情页地址、职位月薪:
通过网页元素定位找到这几项在HTML文件中的位置,如下图所示:
用正则表达式对这四项内容进行提取:
正则表达式进行解析
pattern = re.compile(‘(.?).?’ # 匹配职位信息
‘(.?).?’ # 匹配公司网址和公司名称
‘(.*?)’, re.S) # 匹配月薪
匹配所有符合条件的内容
items = re.findall(pattern, html)
注意:解析出来的部分职位名称带有标签,如下图所示:
那么在解析之后要对该数据进行处理剔除标签,用如下代码实现:
for item in items:
job_name = item[0]
job_name = job_name.replace(‘’, ‘’)
job_name = job_name.replace(‘’, ‘’)
yield {
‘job’: job_name,
‘website’: item[1],
‘company’: item[2],
‘salary’: item[3]
}
我们获取到的数据每个职位的信息项都相同,可以写到数据库中,但是本文选择了csv文件,以下为百度百科解释:
逗号分隔值(Comma-Separated
Values,CSV,有时也称为字符分隔值,因为分隔字符也可以不是逗号),其文件以纯文本形式存储表格数据(数字和文本)。纯文本意味着该文件是一个字符序列,不含必须像二进制数字那样被解读的数据
由于python内置了csv文件操作的库函数,所以很方便:
import csv
def write_csv_headers(path, headers):
‘’’
写入表头
‘’’
with open(path, ‘a’, encoding=‘gb18030’, newline=‘’) as f:
f_csv = csv.DictWriter(f, headers)
f_csv.writeheader()
def write_csv_rows(path, headers, rows):
‘’’
写入行
‘’’
with open(path, ‘a’, encoding=‘gb18030’, newline=‘’) as f:
f_csv = csv.DictWriter(f, headers)
f_csv.writerows(rows)
要想找到理想工作,一定要对更多的职位进行筛选,那么我们抓取的数据量一定很大,几十页、几百页甚至几千页,那么我们要掌握抓取进度心里才能更加踏实啊,所以要加入进度条显示功能。
本文选择tqdm 进行进度显示,来看一下酷炫结果(图片来源网络):
执行以下命令进行安装:
pip install tqdm
简单示例:
from tqdm import tqdm
from time import sleep
for i in tqdm(range(1000)):
sleep(0.01)
以上是所有功能的分析,如下为完整代码:
#-- coding: utf-8 --
import re
import csv
import requests
from tqdm import tqdm
from urllib.parse import urlencode
from requests.exceptions import RequestException
‘’’
python学习交流群:1136201545更多学习资料可以加群获取
‘’’
def get_one_page(city, keyword, region, page):
‘’’
获取网页html内容并返回
‘’’
paras = {
‘jl’: city, # 搜索城市
‘kw’: keyword, # 搜索关键词
‘isadv’: 0, # 是否打开更详细搜索选项
‘isfilter’: 1, # 是否对结果过滤
‘p’: page, # 页数
‘re’: region # region的缩写,地区,2005代表海淀
}
headers = {
‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36’,
‘Host’: ‘sou.zhaopin.com’,
‘Referer’: ‘https://www.zhaopin.com/’,
‘Accept’: ‘text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,/;q=0.8’,
‘Accept-Encoding’: ‘gzip, deflate, br’,
‘Accept-Language’: ‘zh-CN,zh;q=0.9’
}
url = ‘https://sou.zhaopin.com/jobs/searchresult.ashx?’ + urlencode(paras)
try:
获取网页内容,返回html数据
response = requests.get(url, headers=headers)
通过状态码判断是否获取成功
if response.status_code == 200:
return response.text
return None
except RequestException as e:
return None
def parse_one_page(html):
‘’’
解析HTML代码,提取有用信息并返回
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注:Python)
3679568125)]
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注:Python)