爬虫项目十七：用Python轻松爬下智联招聘七千条招聘信息

2024-07-05 19:44| 来源: 网络整理| 查看: 265

文章目录前言一、列表页URL获取二、详情页URL获取三、获取数据总结

前言

利用Python requets+selenium 爬取智联招聘中全国招聘数据。如果看过我之前的文章那应该知道我们之前写过一个纯用selenium来爬智联招聘的爬虫

提示：以下是本篇文章正文内容，下面案例可供参考

我的目的是需要进入页面获取招聘详情页的链接，通过链接再将数据进行爬取

一、列表页URL获取

下方是列表页的url，其中jl后可直接用省份代替，kw即为搜索的关键词，p表示页数

https://sou.zhaopin.com/?jl=532&kw=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&p=1 修改后： https://sou.zhaopin.com/?jl=省份&kw=关键词&p=页数

但是有一点特别重要，我们要想实现全站爬取，必然离不开循环，但是每一个省份对应的总页数是不一样的，我们必须获取每一个省份对应的总页数然后制造一个url列表以此获取详情页链接

在这里插入图片描述但是就如上图，其总页数是被隐藏的，这时我想到的方法是，利用selenium访问在页数框中输入一个远大于页数的值，他就会自动返回页数，其中有一点要注意，智联招聘每输入一个网址访问就会让你重新扫码登陆一次，所以在第一次访问页面获取cookie，供下次访问使用

def Get_Page(self): page_list=[] listCookies=[] print("开始获取省份对应最大页数") for jl in self.jl_list: url="https://sou.zhaopin.com/?jl=%s&kw=%s"%(jl,self.keyword) if len(listCookies) >0: for cookie in listCookies[0]: self.bro.add_cookie(cookie) else: pass self.bro.get(url) sleep(9) listCookies.append(self.bro.get_cookies()) try: self.bro.execute_script('window.scrollTo(0, document.body.scrollHeight)') # 向下拉动一屏 self.bro.find_element_by_xpath('//div[@class="soupager__pagebox"]/input[@type="text"]').send_keys(1000) # 在页数框中输入远大于页数的值 button=self.bro.find_element_by_xpath('//div[@class="soupager__pagebox"]/button[@class="soupager__btn soupager__pagebox__gobtn"]') self.bro.execute_script("arguments[0].click();", button) self.bro.execute_script('window.scrollTo(0, document.body.scrollHeight)') # 向下拉动一屏 page = self.bro.find_element_by_xpath('//div[@class="soupager"]/span[last()]').text except Exception as e: print(e) page=1 pass page_list.append(page) self.bro.quit() return page_list

我们知道了列表url的构成以及获取了每个省份的最大页数，于是我们可以批量准确的生成列表url，我用“数据分析”为关键词，最后获取了300多个列表url

def Get_list_Url(self): list_url=[] print("开始拼接列表页url") for a, b in zip(self.jl_list,self.Get_Page()): for i in range(int(b)): url = "https://sou.zhaopin.com/?jl=%s&kw=%s&p=%d" % (a,self.keyword,int(b)) with open("list_url.txt","a", encoding="utf-8") as f: f.write(url) f.write("\n") list_url.append(url) print("共拼接%d个列表页url"%(len(list_url))) return list_url

现在我们呢已经有了列表url，这样我们就可以访问url以此获取其每个招聘信息的详情页url

二、详情页URL获取

我们通过访问所有的列表url目的是为了获取每一个招聘信息的详情url，右键检查元素可发现，详情列表就在url a标签中

在这里插入图片描述对此我们可以写代码

def Parser_Url(self, url): list_header = { 'user-agent': '', 'cookie': '' } try: text = requests.get(url=url, headers=list_header).text html = etree.HTML(text) urls = html.xpath('//div[@class="joblist-box__item clearfix"]/a[1]/@href') for url in urls: with open("detail_url.txt","a", encoding="utf-8") as f: f.write(url) f.write("\n") except Exception as e: print(e) pass

现在我们需要通过列表url获取详情url

def Get_detail_Url(self): print("开始获取详情页url") with open("list_url.txt","r",encoding="utf-8") as f: list_url=f.read().split("\n")[0:-1] for url in list_url: self.Parser_Url(url) 三、获取数据

我拿到了七千多条详情url，最后我们就可以利用这些url去获取数据

先写一个解析数据函数

def Parser_Data(self,text): html = etree.HTML(text) dic = {} try: dic["name"] = html.xpath('//h3[@class="summary-plane__title"]/text()')[0] except: dic["name"] = "" try: dic["salary"] = html.xpath('//span[@class="summary-plane__salary"]/text()')[0] except: dic["salary"] = "" try: dic["city"] = html.xpath('//ul[@class="summary-plane__info"]/li[1]/a/text()')[0] except: dic["city"] = "" with open(".//zhilian.csv", "a", encoding="utf-8") as f: writer = csv.DictWriter(f, dic.keys()) writer.writerow(dic)

最后我们通过详情页url调用解析数据函数

def Get_Data(self): print("开始获取数据") detail_header = { 'user-agent': '', 'cookie': '' } with open("detail_url.txt","r",encoding="utf-8") as f: detail_url=f.read().split("\n")[0:-1] for url in detail_url: '''使用selenium访问''' # self.bro.get(url) # self.Parser_Data(self.bro.page_source) '''使用requests访问''' # text=requests.get(url,headers=detail_header,proxies={"http":'http://213.52.38.102:8080'}).text # self.Parser_Data(text) sleep(0.2)

如果使用requests访问就需要修改请求头信息

总结

利用requests+selenium的方法加快了获取数据的速度，相较于之前纯利用selenium的方式极大的缩短了时间

最后，我篇就说过我之前写过一个智联招聘的爬虫，但是只是使用selenium去获取数据，现在又写了一个稍微好点的，我会把两个代码都放在公众号“阿虚学Python”中回复“智联爬虫”获取在这里插入图片描述谢谢大家的观看，如果觉得不错点个赞吧👍

【本文地址】

公司简介

联系我们