爬虫——Python 爬取51job 职位信息

爬虫——Python 爬取51job 职位信息

既然要爬取职位信息，那么首先要弄清楚目标页面的分布规律。

输入职位关键词和相应的地点等条件，然后搜索就可以看到岗位信息。

首先通过翻页来查看url的变化，以此来找到翻页时url的规律

把前面几页的url 复制下来放到文本文档里对比

不难发现除了页码外其他都没有改变

下面开始代码

# 导入相应的包
#-*-coding:utf-8-*-
from bs4 import BeautifulSoup
import requests
import chardet
from lxml import etree

编写一个函数来获取每页的 html 信息

def get_content(page): #   获取每页全部 html信息       # 爬取的页面 urlurl=',000000,0000,00,9,99,Python,2,'+str(page)+'.html?lang=c&stype=1&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare='# 设置代理信息headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.109 Safari/537.36'}# requests 获取页面信息rqg&#(url,headers=headers)# 字符转码ding=chardet.t)['encoding']   ding="iso-8859-1"html&#t.decode('iso-8859-1').encode('iso-8859-1')soup=BeautifulSoup(html,'lxml')soup.prettify()  #格式化soup对象return soup # 返回soup对象

接下来设置列表以存储相应的数据

Name=[]    # 初步存储职位名称信息（有 nn 的）
Name1=[]    # 存储最终的职位名称
Company=[]  # 公司名称
Location=[] # 工作地点 
Salary=[]   # 薪资
Published=[]  # 发布时间

从每页数据中提取我们需要的部分

for i in range(1,11):   # 循环爬取每页数据  （这里爬取1~10页）soup=get_content(i)#名称name=soup.find_all('p',class_="t1") # 用 find_all 方法搜索所有 class为t1 的 p 对象for n in name:Name._text())  # 提取文本度追加到 Name 列表中###  以下代码注释类似 #######company=soup.find_all('span',class_="t2")for i in company:Company._text())   location=soup.find_all('span',class_="t3")for i in location:Location._text())salary=soup.find_all('span',class_="t4")for i in salary:Salary._text())published=soup.find_all('span',class_="t5")for i in published:Published._text())for a in Name:Name1.append(a.strip()) # 提取 Name 中的职位名称
Name1.insert(0,'职位')     # Name1 列表中插入“职位” 以保证数据对应

岗位数据已经存储到相应的列表 中，下面把它存储到csv文件中
（这里用pandas来把数据写入csv文件）

import pandas as pd
# 将获取到的数据保存到 csv 文件
df=pd.DataFrame(list(zip(Name1,Company,Location,Salary,Published)))
outputfile='C:/Users/AQQWVFBUKN/Desktop/51job.csv'
df.to_csv(outputfile,index=False,encoding='utf_8_sig',header=False)

存储到csv后：

######### 以下附上完整代码

#-*-coding:utf-8-*-
from bs4 import BeautifulSoup
import requests
import chardet
from lxml import etreedef get_content(page): #   获取每页全部 html信息       # 爬取的页面 urlurl=',000000,0000,00,9,99,Python,2,'+str(page)+'.html?lang=c&stype=1&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare='# 设置代理信息headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.109 Safari/537.36'}rqg&#(url,headers=headers)# 字符转码ding=chardet.t)['encoding']   ding="iso-8859-1"html&#t.decode('iso-8859-1').encode('iso-8859-1')soup=BeautifulSoup(html,'lxml')soup.prettify()  #格式化soup对象return soupName=[]    # 初步存储职位名称信息（有 nn 的）
Name1=[]    # 存储最终的职位名称
Company=[]  # 公司名称
Location=[] # 工作地点 
Salary=[]   # 薪资
Published=[]  # 发布时间
for i in range(1,11):   # 循环爬取每页数据 soup=get_content(i)#名称name=soup.find_all('p',class_="t1") # 用 find_all 方法搜索所有 class为t1 的 p 对象for n in name:Name._text())  # 提取文本度追加到 Name 列表中###  以下代码注释类似 #######company=soup.find_all('span',class_="t2")for i in company:Company._text())   location=soup.find_all('span',class_="t3")for i in location:Location._text())salary=soup.find_all('span',class_="t4")for i in salary:Salary._text())published=soup.find_all('span',class_="t5")for i in published:Published._text())for a in Name:Name1.append(a.strip()) # 提取 Name 中的职位名称
Name1.insert(0,'职位')     # Name1 列表中插入“职位” 以保证数据对应Name=[]    # 初步存储职位名称信息（有 nn 的）
Name1=[]    # 存储最终的职位名称
Company=[]  # 公司名称
Location=[] # 工作地点 
Salary=[]   # 薪资
Published=[]  # 发布时间
for i in range(1,11):   # 循环爬取每页数据 soup=get_content(i)#名称name=soup.find_all('p',class_="t1") # 用 find_all 方法搜索所有 class为t1 的 p 对象for n in name:Name._text())  # 提取文本度追加到 Name 列表中###  以下代码注释类似 #######company=soup.find_all('span',class_="t2")for i in company:Company._text())   location=soup.find_all('span',class_="t3")for i in location:Location._text())salary=soup.find_all('span',class_="t4")for i in salary:Salary._text())published=soup.find_all('span',class_="t5")for i in published:Published._text())for a in Name:Name1.append(a.strip()) # 提取 Name 中的职位名称
Name1.insert(0,'职位')     # Name1 列表中插入“职位” 以保证数据对应import pandas as pd
# 将获取到的数据保存到 csv 文件
df=pd.DataFrame(list(zip(Name1,Company,Location,Salary,Published)))
outputfile='C:/Users/AQQWVFBUKN/Desktop/51job.csv'
df.to_csv(outputfile,index=False,encoding='utf_8_sig',header=False)