python爬取招聘数据_Python利用Scrapy爬取智联招聘和前程无忧的招聘数据

前期准备

创建了数据库表

对网页内容有大概的了解

数据分析的了解

了解Scrapy,

正则表达式,

Xpath,

BeautifulSoup

等各种知识

实战

在本次小练习中,我们主要会用到,piplines,items,和我们自己新建的Spider类, items是针对实体的,与数据库表中最好具有对应关系

代码如下:

import scrapy

class ZhaopinItem(scrapy.Item):

jobname = scrapy.Field()

salary = scrapy.Field()

experience = scrapy.Field()

address = scrapy.Field()

comany_name = scrapy.Field()

head_count = scrapy.Field()

education_require = scrapy.Field()

comany_size = scrapy.Field()

job_require =scrapy.Field()

release_date = scrapy.Field()

piplines在本例中主要是对items进行数据操作的。

代码如下:

import pymysql

from zhaopin import settings

class ZhaopinPipeline(object):

def __init__(self, ):

self.conn = pymysql.connect(

host=settings.MYSQL_HOST,

db=settings.MYSQL_DBNAME,

user=settings.MYSQL_USER,

passwd=settings.MYSQL_PASSWORD,

charset='utf8', # 编码要加上,否则可能出现中文乱码问题

use_unicode=False)

self.cursor = self.conn.cursor()

def process_item(self, item, spider):

self.insertData(item)

return item

def insertData(self, item):

sql = "insert into shenzhen(jobname,salary,company_name,job_require,address,experience,company_size,head_count,education_require,release_date) VALUES(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s);"

params = (item['jobname'],item['salary'],item['comany_name'],item['job_require'],item['address'],item['experience'],item['comany_size'],item['head_count'],item['education_require'],item['release_date'])

self.cursor.execute(sql, params)

self.conn.commit()

最后最为主要的是,数据的获取以及解析

代码如下:

from zhaopin.items import ZhaopinItem

from scrapy import Spider,Request

from bs4 import BeautifulSoup

import re

'''

有需要Python学习资料的小伙伴吗?小编整理【一套Python资料、源码和PDF】,感兴趣者可以关注小编后私信学习资料(是关注后私信哦)反正闲着也是闲着呢,不如学点东西啦

'''

class ZhaopinSpider(Spider):

name = 'zhaopin'

allowed_domains = ['www.zhaopin.com']

start_urls = ['http://www.zhaopin.com/']

#start_urls = ['http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E4%B8%8A%E6%B5%B7&kw=java%E5%B7%A5%E7%A8%8B%E5%B8%88&sm=0&sg=720f662a0e894031b9b072246ac2f919&p=1']

def start_requests(self):

#for num in (1,60):

url='http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E6%B7%B1%E5%9C%B3&kw=java%E5%B7%A5%E7%A8%8B%E5%B8%88&sm=0&isadv=0&sg=cc9fe709f8cc4139afe2ad0808eb7983&p=42'

#.format(num)

#yield Request(url,callback=self.parse)

yield Request(url,callback=self.parse)

def parse(self, response):

#self.log('page url is ' + response.url)

wbdata = response.text

soup = BeautifulSoup(wbdata, 'lxml')

job_name = soup.select("table.newlist > tr > td.zwmc > div > a:nth-of-type(1)")

salary = soup.select("table.newlist > tr > td.zwyx")

#company_name = soup.select("table.newlist > tr > td.gsmc > div > a:nth-of-type(2)")

times = soup.select("table.newlist > tr > td.gxsj > span")

for name,salary,time in zip(job_name,salary,times):

item = ZhaopinItem()

item["jobname"] = name.get_text()

url= name.get('href')

#print("职位"+name.get_text()+"工资"+salary.get_text()+"发布日期"+time.get_text()+"连接"+url)

item["salary"] = salary.get_text()

item["release_date"] = time.get_text()

# item["comany_name"] = company _name.get_text()

#yield item

yield Request(url=url, meta={"item": item}, callback=self.parse_moive,dont_filter=True)

def parse_moive(self, response):

#item = ZhaopinItem()

jobdata = response.body

require_data = response.xpath(

'//body/div[@class="terminalpage clearfix"]/div[@class="terminalpage-left"]/div[@class="terminalpage-main clearfix"]/div[@class="tab-cont-box"]/div[1]/p').extract()

require_data_middle = ''

for i in require_data:

i_middle = re.sub(r'<.>', r'', i, re.S)

require_data_middle = require_data_middle + re.sub(r'\s*', r'', i_middle, re.S)

jobsoup = BeautifulSoup(jobdata, 'lxml')

item = response.meta['item']

item['job_require'] = require_data_middle

item['experience'] = jobsoup.select('div.terminalpage-left strong')[4].text.strip()

item['comany_name'] = jobsoup.select('div.fixed-inner-box h2')[0].text

item['comany_size'] = jobsoup.select('ul.terminal-ul.clearfix li strong')[8].text.strip()

item['head_count'] = jobsoup.select('div.terminalpage-left strong')[6].text.strip()

item['address'] = jobsoup.select('ul.terminal-ul.clearfix li strong')[11].text.strip()

item['education_require'] = jobsoup.select('div.terminalpage-left strong')[5].text.strip()

yield item

当然最后还需要对一些基础的配置在setting文件中进行设置,如下:

ROBOTSTXT_OBEY = False

ITEM_PIPELINES = {

'zhaopin.pipelines.ZhaopinPipeline':300

}

MYSQL_HOST = '127.0.0.1'

MYSQL_DBNAME = 'zhaopin' # 数据库名

MYSQL_USER = 'root' # 数据库用户

MYSQL_PASSWORD = '123456' # 数据库密码

最后,运行成功会获得如下结果:

后记

后面如果我开发了数据分析相关的技能包,可能还会对这里的数据进行分析,到时候会将分析的一些有趣的东西分析出来.

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
这里是一个简单的Python-Scrapy爬取百度搜索结果并对搜索结果进行分析的例子: 首先,我们需要安装Scrapy和lxml库。在命令行中输入以下命令: ``` pip install scrapy pip install lxml ``` 然后,我们可以创建一个名为baidu_spider的新项目,并在项目中创建一个名为baidu的新爬虫。在命令行中输入以下命令: ``` scrapy startproject baidu_spider cd baidu_spider scrapy genspider baidu www.baidu.com ``` 现在,我们在baidu_spider/spiders/baidu.py文件中编写我们的代码。我们将使用Scrapy的Selector来选择我们想要的数据。代码如下: ```python import scrapy class BaiduSpider(scrapy.Spider): name = "baidu" allowed_domains = ["www.baidu.com"] start_urls = ["http://www.baidu.com/s?wd=python"] def parse(self, response): # 获取搜索结果 results = response.xpath('//div[@class="result c-container "]') for result in results: # 获取标题和链接 title = result.xpath('.//h3/a/text()').extract_first().strip() link = result.xpath('.//h3/a/@href').extract_first() # 获取摘要 abstract = result.xpath('.//div[@class="c-abstract"]//text()').extract() abstract = "".join(abstract).strip() # 打印结果 print(title) print(link) print(abstract) ``` 在这个例子中,我们首先定义了我们的爬虫的名称,允许的域名和起始URL。然后我们定义了一个parse函数来处理响应。在parse函数中,我们使用XPath选择器来选择搜索结果。我们使用extract_first()和extract()方法来提取标题、链接和摘要。最后,我们打印了结果。 现在,我们可以在baidu_spider目录中运行以下命令来运行我们的爬虫: ``` scrapy crawl baidu ``` 这将启动我们的爬虫并开始爬取百度搜索结果。在控制台中,您应该能够看到我们的爬虫正在输出搜索结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值