什么你还不知道招聘信息，小唐来教你——最新2021爬取拉勾网招聘信息（一）

最新推荐文章于 2024-04-01 16:20:03 发布

叫我小唐就好了

最新推荐文章于 2024-04-01 16:20:03 发布

阅读量736

点赞数 7

分类专栏：一些好玩的事文章标签： python 爬虫前端经验分享开发语言

本文链接：https://blog.csdn.net/weixin_52521533/article/details/121781217

版权

一些好玩的事专栏收录该内容

18 篇文章 14 订阅

订阅专栏

文章目录

前言
一、准备我们的库
二、分析分析
三、代码
四、数据展示
小唐的心路历程

上一篇：没有啦！
下一篇：什么你还不知道招聘信息，小唐来教你——最新2021爬取拉勾网招聘信息（二）

前言

有是小唐的数据分析作业，快别说，这真的历经千辛万苦，我一开始的时候，就真的想着，直接用一个请求然后去前程无忧网爬取，看来网页结构之后，就是两层url，这不对小唐来说just so so，结果，笑死一个是直接给我显示加载中（可以去我的提问那里看），原来是通过js代码读取外部json数据来动态更新的。requests只能获取网页的静态源代码，动态更新的内容取不到。用requests只是获取网页的静态源代码。不会执行页面中的js代码，你用time.sleep()等待是没有用的。只有用selenium 打开真正的浏览器。才会执行页面中的js代码，用time.sleep()等待才有用。还有就是后面的滑动验证，我直接？？？，获取数据及其不稳定（主要是他还禁我ip，但是我ip池还不会用呜呜呜呜），后来还是我们的拉勾网香
拉钩网

一、准备我们的库

import re
import xlwt
import requests
from lxml import etree
from xlrd import open_workbook
from xlutils.copy import copy

二、分析分析

对于网站网址的充分了解有利于更加快速的去获取我们所需内容。我们选取的对象是拉钩网（https://www.lagou.com/）进行的数据收集和分析。通过对于网站的分析，本次文章所需的网址结构如下：
在这里插入图片描述
这下就好办了，我们看后面固定的网络结构，页面的话只有我们的pn在改变，其他都不要动

City：代表所要工作的城市
Kd：代表所要选取的行业职位，将选取C/C++开发工程师、Java开发工程师、Python开发工程师、Web、HTML5开发工程师
Gj：代表所在页面经验

再来看看我们的网页结构
在这里插入图片描述
这些就是我们要获取的结构，直接F12，送他回家

小家伙们藏在这里呀。我们可以很清楚的看到，我们的所有的招聘集合是处于class="list__YibNq"之下的，通过Xpath的查找功能可以很方便的帮我们的定位到对应的位置，再在每一条招聘集合中抽丝剥茧，找到对应元素位置，将其整合成数据集。
这样一分析下来，我们的数据获取是不是巨巨巨巨简单！！！，然后在把我们的数据放到Exel里面。把我们的代码加上一点带细节就完成了

三、代码

import re
import xlwt
import requests
from lxml import etree
from xlrd import open_workbook
from xlutils.copy import copy
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36'}
# url_q="https://www.lagou.com/wn/jobs?px=new&gj=%E5%9C%A8%E6%A0%A1%2F%E5%BA%94%E5%B1%8A&pn="
# url_h="&kd=Java&city=%E5%85%A8%E5%9B%BD"
# url_q="https://www.lagou.com/wn/jobs?px=new&gj=%E5%9C%A8%E6%A0%A1%2F%E5%BA%94%E5%B1%8A&pn="
# url_h="&kd=Python&city=%E5%85%A8%E5%9B%BD"
# url_q="https://www.lagou.com/wn/jobs?px=new&gj=%E5%9C%A8%E6%A0%A1%2F%E5%BA%94%E5%B1%8A&pn="
# url_h="&kd=C%2B%2B&city=%E5%85%A8%E5%9B%BD"
# url_q="https://www.lagou.com/wn/jobs?px=new&gj=%E5%9C%A8%E6%A0%A1%2F%E5%BA%94%E5%B1%8A&pn="
# url_h="&kd=html5&city=%E5%85%A8%E5%9B%BD"
url_q="https://www.lagou.com/wn/jobs?px=new&gj=%E5%9C%A8%E6%A0%A1%2F%E5%BA%94%E5%B1%8A&pn="
url_h="&kd=Python&city=%E5%85%A8%E5%9B%BD"
wb_name='Python.xls'
def spider(base_url,headers):
    response = requests.get(base_url, headers)#构建服务器
    response.encoding = response.apparent_encoding#获取编码格式
    response_text = response.text   # txt化页面内容
    selector = etree.HTML(response_text)#html化
    try:
        job_list=selector.xpath("//div[@class='list__YibNq']/div")
        print(job_list)
        try:
            for job in job_list:
                #岗位
                job_name=job.xpath("//div[@class='p-top__1F7CL']/a/text()[1]")
                # print(job_name)
                #位置
                job_add=job.xpath("//div[@class='p-top__1F7CL']/a/text()[2]")
                # print(job_add)
                #公司名
                job_cp=job.xpath("//div[@class='company-name__2-SjF']/a/text()")
                # print(job_cp)
                #公司现状
                job_cpinfo=job.xpath("//div[@class='industry__1HBkr']/text()")
                # print(job_cpinfo)
                #钱
                job_money=job.xpath("//div[@class='p-bom__JlNur']/span/text()")
                # print(job_money)
                #学历
                job_xl=job.xpath("//div[@class='p-bom__JlNur']/text()")
                # print(job_xl)
                #描述
                job_mess=job.xpath("//div[@class='il__3lk85']/text()")
                # print(job_mess)
                # 需求
                job_ir= job.xpath("//div[@class='ir___QwEG']/span/text()")
            print("解析成功——————开始存储数据")
            save(job_name,job_add,job_cp,job_cpinfo,job_money,job_xl,job_mess,job_ir)
        except BaseException as e:
            print(e)
            print(e.__traceback__.tb_lineno)
            print("本条解析失败，跳过")
    except BaseException as e:
        print(e)
        print(e.__traceback__.tb_lineno)
        print("本页爬取失败，跳过")
def save(name,add,cp,cpinfo,money,xl,mess,ir):
    try:
        r_xls = open_workbook(wb_name)  # 读取excel文件
    except BaseException as e:
        print(e)
        print(e.__traceback__.tb_lineno)
        #没有读取到我们就创建
        file = xlwt.Workbook()
        sheet1 = file.add_sheet(u'表1', cell_overwrite_ok=True)
        sheet1.write(0, 0, "岗位")
        sheet1.write(0, 1, "位置")
        sheet1.write(0, 2, "公司名")
        sheet1.write(0, 3, "公司现状")
        sheet1.write(0, 4, "工资")
        sheet1.write(0, 5, "学历")
        sheet1.write(0, 6, "描述")
        sheet1.write(0, 7, "需求")
        file.save(wb_name)
    try:
        r_xls = open_workbook(wb_name)
        row = r_xls.sheets()[0].nrows  # 获取已有的行数
        excel = copy(r_xls)  # 将xlrd的对象转化为xlwt的对象
        worksheet = excel.get_sheet(0)  # 获取要操作的sheet
        for i in range(0, len(name)):
            worksheet.write(row + i, 0, name[i])
            worksheet.write(row + i, 1, add[i])
            worksheet.write(row + i, 2, cp[i])
            worksheet.write(row + i, 3, cpinfo[i])
            worksheet.write(row + i, 4, money[i])
            worksheet.write(row + i, 5, xl[i])
            worksheet.write(row + i, 6, mess[i])
            worksheet.write(row + i, 7, ir[i])
        excel.save(wb_name)
        print("存储成功")
    except BaseException as e:
        print(e)
        print(e.__traceback__.tb_lineno)
        print("存储失败")

def run():
    for page in range(1,31):
        print("正在解析"+str(page)+"页")
        url=url_q+str(page)+url_h
        print(url)
        spider(url, headers)
run()

四、数据展示

在这里插入图片描述

小唐的心路历程

这个是真的，小唐第一次遇到这种网站，之前的51，是真的有被离谱到，给大家看看,我一开始的时候真的以为是显式等待和隐式等待的问题结果。。
在这里插入图片描述
就是这个网站或者是通过F12控制台分析页面数据加载的链接，找到真正json数据的地址进行爬取。在页面上点击右键，右键菜单中选 “查看网页源代码”。
本来以为成功了

结果。。。（禁我ip，欺负我不会用ip池）
在这里插入图片描述
不过好在问题都解决了，也获得了自己想要的信息，啊哈哈哈哈，爬出来的那一刻真的超级有成就感！！！