一,大致流程
首先,利用requests的包对我们要爬取的网站进行get请求
其次,本文是利用xpath进行的爬取,所以需要导入lxml包
最后,我们要将数据存储在excel中,所以也要加载openpyxl包
二,具体操作
封装三个函数
1,send_requests()函数用于发送请求
2,parse_html(data)函数用于解析数据,传入的data参数就是send_requests()函数中return的返回值
3,save(lst)对数据进行存储
# 加载爬虫所需要的包
import requests
from lxml import etree
import openpyxl
headers={'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.100 Safari/537.36'}
#定义网址请求函数
def send_requests():
url = 'https://www.shixiseng.com/interns?keyword=%E5%88%86%E6%9E%90' #寻找分析实习职位的url
resp=requests.get(url=url,headers=headers)
return resp.text
#定义解析数据函数
def parse_html(data):
tree = etree.HTML(data)
div_list=tree.xpath('//div[@class="result-list clearfix"]//div[@class="f-l intern-detail__job"]')
url_lst = []
for di in div_list:
new_url = di.xpath('.//a/@href')#得到了每一个实习页面的url
new_url = ''.join(new_url)#进行格式的转换,将列表转换为字符串格式
url_lst.append(new_url)
# print(url_lst)
lst = []
for i in range(len(url_lst)):#对新的url进行解析,爬取我们需要的薪水,公司的信息
resp = requests.get(url=url_lst[i], headers=headers)
tree = etree.HTML(resp.text)
job_name = tree.xpath('//div[@class="new_job_name"]/span/text()')
job_name = ''.join(job_name)
job_address = tree.xpath('//div[@class="job_msg"]/span[@class="job_position"]/text()')
job_address = ''.join(job_address)
job_money = tree.xpath('//div[@class="job_msg"]/span[@class="job_money cutom_font"]/text()')
job_money = ''.join(job_money)
lst.append([job_name, job_address, job_money])
save(lst)
def save(lst):#用于数据的存储
wb = openpyxl.Workbook()
ws = wb.active
for row in lst:
ws.append(row)
wb.save('./实习工作职位表.xlsx')
if __name__ == '__main__':
data = send_requests()
parse_html(data)
三,结果展示
将数据存储成功后,会显示一个.xlsx文件
打开excel就能看到我们爬取的数据信息