python个人简历参考,python爬虫-1w+套个人简历模板爬取

import requests  #

发送请求

from lxml import etree  #

数据解析

import time  #

线程暂停，怕封

ip

import os  #

创建文件夹

#

由于目标网站更新了反爬虫机制，简单的

UA

伪装不能满足我们的需求，所有对整个消息头进行了伪装

headers = {

'Accept':

'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',

'Accept-Encoding':

'gzip, deflate, br',

'Accept-Language':

'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',

'Cache-Control':

'max-age=0',

'Connection':

'keep-alive',

'Cookie':

'__gads=undefined; Hm_lvt_aecc9715b0f5d5f7f34fba48a3c511d6=1614145919,1614755756; '        'UM_distinctid=177d2981b251cd-05097031e2a0a08-4c3f217f-144000-177d2981b2669b; '

'sctj_uid=ccf8a73d-036c-78e4-6b1d-6035e961b0d3; '

'CNZZDATA300636=cnzz_eid%3D1737029801-1614143206-%26ntime%3D1614759211; '        'Hm_lvt_398913ed58c9e7dfe9695953fb7b6799=1614145927,1614755489,1614755737; '        '__gads=ID=af6dc030f3c0029f-226abe1136c600e4:T=1614760491:RT=1614760491:S=ALNI_MZAA0rXz7uNmNn6qnuj5BPP7heStw; '

'ASP.NET_SessionId=3qd454mfnwsqufegavxl5lbm; Hm_lpvt_398913ed58c9e7dfe9695953fb7b6799=1614760490; '

'bbsmax_user=ce24ea68-9f80-42e3-8d4f-53b13b13c719; avatarId=a034b11b-abc9-4bfd-a8b2-bdf7fef644bc-; '

'Hm_lpvt_aecc9715b0f5d5f7f34fba48a3c511d6=1614756087',

'Host':

'sc.chinaz.com',

'If-None-Match':

'',

'Referer':

'

'Upgrade-Insecure-Requests':

'1',

'User-Agent':

'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:86.0) Gecko/20100101 Firefox/86.0',

}

#

如果该文件夹不存在

,

则创建文件夹

if not os.path.exists('./moban'):

os.mkdir('./moban')

for i in range(1, 701):  #

预计可爬

700*20

套简历模板

print(f"

正准备爬取第

{i}

页简历模板

")

print("

怕封

ip

，操作暂停中

......")  #

操作暂停提示语

time.sleep(15)  # 跟单网

每获取一个列表页暂停

15s

，一个列表页有

20

分简历模板的链接

url = f'{str(i)}.html'  #

设置相应的路由

i

try:  #

异常处理

response = requests.get(url=url, headers=headers)  #

获取响应

except Exception as e:  #

给异常取名为

e

print(e)  #

打印异常名称

print('

连接失败，选择跳过！！！

')  #

连不上就不要连了，头铁容易出事

print("

怕封

ip

，获取列表页操作暂停中

......")  #

操作暂停提示语

time.sleep(5)  #

每出现一次异常暂停

5s

continue  #

跳过本次循环

response.encoding = 'utf-8'  #

中文编码为

utf-8

page = response.text  #

获取响应的文本数据

tree = etree.HTML(page)  #

用

etree

进行数据解析

a_list = tree.xpath("//div[@class='box col3 ws_block']/a")  #

用

xpath

提取目标内容形成

20

份一起的列表

for a in a_list:

resume_href = 'https:' + a.xpath('./@href')[0]  #

根据爬取的链接设置新的网页

resume_name = a.xpath('./img/@alt')[0]  #

爬取名字，并对列表进行切片取第一个

resume_name = resume_name.strip()  #

去掉首尾的空格

try:

resume_response = requests.get(url=resume_href, headers=headers)  #

进入简历模板详情页面

except Exception as e:

print(e)

print('

连接失败，选择跳过！！！

')

print("

怕封

ip

，获取个人简历详情页操作暂停中

......")

time.sleep(5)

continue

resume_response.encoding = 'utf-8'  #

中文编码为

utf-8

resume_page = resume_response.text  #

获取响应的文本数据

resume_tree = etree.HTML(resume_page)  #

用

etree

进行数据解析

resume_link = resume_tree.xpath('//ul[@class="clearfix"]/li/a/@href')[0]  #

用

xpath

提取目标内容的下载链接

try:

download = requests.get(url=resume_link, headers=headers).content  #

获取二进制数据

except Exception as e:

print(e)

print('

连接失败，选择跳过！！！

')

print("

怕封

ip

，下载个人简历操作暂停中

......")

time.sleep(5)

continue

download_path = './moban/' + resume_name + '.rar'  #

设置保存路径以及文件名称

with open(download_path, 'wb') as fp:  #

设置文件制作，以二进制形式

fp.write(download)  #

保存文件

print(resume_name, '

下载成功！！！

')  #

下载成功提示语