Python爬虫之 selenium +chrome+队列+多线程 爬取Boss

1 篇文章 0 订阅
1 篇文章 0 订阅
我们就直接长驱直入
1、将chrome.exe配置到我们的环境变量中
**一般没有更改目录都在这里**![在这里插入图片描述](https://img-blog.csdnimg.cn/2020021615430325.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI5NDUxNw==,size_16,color_FFFFFF,t_70)
然后将这条路径复制添加到环境变量中

在这里插入图片描述
可以在cmd中测试 如果输入这行命令打开了浏览器说明设置环境变量成功
在这里插入图片描述
安装的话 直接 pip install selenium就可以

安装完成以后我们开始 进行爬取
爬取之前先通过dos打开chrome
chrome.exe --remote-debugging-port=端口号(与程序中端口号一致) --user-data-dir=“cookie等配置存储目录”
例如:
chrome.exe --remote-debugging-port=9222 --user-data-dir=“C:\selenum\AutomationProfile”

# -*- coding:utf-8 -*-
from urllib import  request, error
import requests
from lxml import etree
import  csv
import queue as Queue
import threading
import time
import pandas as pd
import re
from datetime import datetime, date, timedelta
from lxml import etree
import os
from selenium.webdriver.chrome.options import Options
from selenium.webdriver import ActionChains
from selenium import webdriver
from bs4 import BeautifulSoup
import threading

queue = Queue.Queue()#存放网址的队列
out_queue = Queue.Queue()#存放网址页面的队列

class Get_xinxi(threading.Thread):
    def __init__(self,x):
        threading.Thread.__init__(self)
        self.x = x

    def run(self):
        chromeOptions = Options()
        # 添加debuggerAddress这个属性 可以操控我手动打开的浏览器(不过要事先开启用doc命令开启浏览器的远程调试而且端口与这个一样)
        chromeOptions.add_experimental_option('debuggerAddress', self.x)
        # 最终装饰成浏览器可以去发送解析url
        browser = webdriver.Chrome(options=chromeOptions)
        while True:
            xinxi = queue.get()
            browser.get(xinxi[4])
            print(xinxi[0],xinxi[1],xinxi[2])
            time.sleep(1)
            ActionChains(browser).move_to_element(browser.find_element_by_xpath(
                "//div[@class='filter-select-box']/div[6]/span")).perform()  # 鼠标class=filter-select-box的div标签下的第六个div标签下的span标签
            browser.find_element_by_xpath("//a[@ka='sel-scale-3']").click()  # 点击属性ka=sel-scale-1的a标签
            time.sleep(1)
            while True:
                try:
                    # 用BeautifulSoup提取解析url以后的html文件
                    soup = BeautifulSoup(browser.page_source, 'lxml')
                    # 查找所有class=job-title的标签放入一个列表
                    gangweis = soup.select('.job-title .job-name')
                    # gangweis = html.xpath("//div[@class='job-title']/span[@class='job-name']")[0]
                    # 查找所有class=company-text的标签下的a标签放入一个列表
                    gongsis = soup.select('.company-text a')
                    # 公司所属行业 融资状况  规模
                    sanges = soup.select(".company-text p")
                    # 查找所有class=info-primary的标签下的P标签放入一个列表
                    xuelis = soup.select('.job-limit p')
                    jingyans = soup.select('.job-limit  p')
                    # 查找所有class=red的span 标签放入一个列表
                    xinzis = soup.find_all('span', attrs={'class': 'red'})
                    # 查找所有class=info-primary的标签下的P标签放入一个列表
                    chengshis = soup.select('.job-area-wrapper .job-area')
                    # 查找所有class=info-publis的p标签放入一个列表
                    riqis = soup.select('.job-title .job-pub-time')
                    s = (date.today() + timedelta(days=0)).strftime("%Y/%m/%d")
                    x = "_".join(s.split("/"))
                    xinxi[0] = "、".join(xinxi[0].split("/"))
                    xinxi[1] = "_".join(xinxi[1].split("/"))
                    filename = 'C:/Users/t/Desktop/初始数据/' + xinxi[0] + '/' + xinxi[1] + '/' + xinxi[1] + x + '.csv'
                    # 以写的形式打开文件 newline为空  防止出现多余的空行
                    with open(filename, 'a', encoding='utf-8', newline='') as csvfile:
                        # 创建一个操作此文件的对象
                        writer = csv.writer(csvfile)
                        # 对得到的数据压缩(因为数据都是一样的条数且一一对应的)以后再对它迭代
                        for gangwei, gongsi, sange, xueli, jingyan, xinzi, chengshi, riqi in zip(gangweis, gongsis, sanges,
                                                                                                 xuelis, jingyans, xinzis,
                                                                                                 chengshis,riqis,):
                            gongsihangye = sange.contents[0]
                            #去除职位中的异常符号
                            gangwei = "".join(re.findall('\w+|/|.|\s|\\+',gangwei.get_text()))
                            gangwei = "_".join(gangwei.split(","))
                            if len(xueli.contents)>2:
                                xueli = xueli.contents[-1]
                            else:
                                continue
                            writer.writerow(
                                [gangwei, gongsi.get_text(), gongsihangye, sange, sange, xueli,
                                 jingyan.contents[0], xinzi.get_text(), chengshi.contents[0], riqi.get_text(),
                                 xinxi[2]])
                    # 如果html中有next disabled说明已经到最后一页 就退出循环
                    if browser.page_source.find('next disabled') != -1:
                            break
                    if browser.page_source.find('next') == -1:
                            break
                        # 滚动条向下滚动2500像素
                    browser.execute_script("window.scrollTo(0,10000);")
                    time.sleep(1.5)
                    # 鼠标点击next的标签
                    browser.find_element_by_class_name('next').click()
                except:
                    queue.task_done()
                    queue.put(xinxi)
                    quit()
            queue.task_done()
            if queue.empty():
                break

class Controlle_thread(threading.Thread):

    def __init__(self, threads):
        threading.Thread.__init__(self)
        self.threads = threads


    def run(self):
        for i in self.threads:
            i.start()

        ip_list = ['127.0.0.1:9223','127.0.0.1:9224','127.0.0.1:9225']
        while True:
            for a in range(3):
                if not self.threads[a].isAlive():
                    print("a")
                    self.threads[a] = Get_xinxi(ip_list[a])
                    self.threads[a].start()
            time.sleep(60*30)
            print("检查完成")
            if queue.empty():
                time.sleep(120)
                print("本次结束")
                break


if __name__ == '__main__':
    df = pd.read_csv('Bossaa.csv', sep=',', encoding='utf-8')
    df.drop_duplicates(subset='suoshuhangye', inplace=False, keep="first")
    xinxis = []
    for shuxing, suoshuhangye, gangweimingcheng, gangweiwangzhi in zip(df['shuxin'], df['suoshuhangye'],
                                                                       df['gangweimingcheng'],
                                                                       df['gangweiwangzhi']):
        url = gangweiwangzhi + '?period=2?page=1&ka=page-1'
        xinxi = [shuxing, suoshuhangye, gangweimingcheng, gangweiwangzhi, url]
        queue.put(xinxi)

    threads = []

    # 创建线程
    for i in ['127.0.0.1:9223','127.0.0.1:9224','127.0.0.1:9225']:
        x = i
        x = i
        dt = Get_xinxi(x)
        threads.append(dt)

    x = Controlle_thread(threads)
    x.start()
    x.join()






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