智联招聘爬虫实战，Python基础抓取教程

本文详细介绍了如何使用Python进行智联招聘网站的基础数据抓取。文章首先讲解了在Windows平台上，使用Python3.6和Sublime Text进行网页分析的步骤，以北京海淀区的Python工程师职位为例，展示了如何构造请求地址和分析有用数据。接着，文章介绍了如何使用正则表达式提取职位名称、公司名称、公司详情页地址和职位月薪等信息，并将数据写入CSV文件。最后，文章还展示了如何使用tqdm库来显示抓取进度，帮助用户更直观地了解数据抓取的进展情况。

运行平台：Windows Python版本：Python3.6 IDE：Sublime Text 其他工具：Chrome浏览器

1、网页分析

1.1 分析请求地址

以北京海淀区的Python工程师为例进行网页分析。打开智联招聘首页，选择北京地区，在搜索框输入"Python工程师"，点击"搜工作"：

接下来跳转到搜索结果页面，按"F12"打开开发者工具，然后在"热门地区"栏选择"海淀"，我们看一下地址栏：

由地址栏后半部分searchresult.ashx?jl=北京&kw=python工程师&sm=0&isfilter=1&p=1&re=2005可以看出，我们需要自己构造地址。接下来要对开发者工具进行分析，按照如图所示步骤找到我们需要的数据：Request Headers和Query String Parameters：

构造请求地址：

paras = {
    'jl': '北京',                // 搜索城市
    'kw': 'python工程师',        // 搜索关键词
    'isadv': 0,                    // 是否打开更详细搜索选项
    'isfilter': 1,                // 是否对结果过滤
    'p': 1,                        // 页数
    're': 2005                    // region的缩写，地区，2005代表海淀
}
url = 'https://sou.zhaopin.com/jobs/searchresult.ashx?' + urlencode(paras);

请求头：

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
    'Host': 'sou.zhaopin.com',
    'Referer': 'https://www.zhaopin.com/',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'Accept-Encoding': 'gzip, deflate, br',
    'Accept-Language': 'zh-CN,zh;q=0.9'
}

1.2 分析有用数据

接下来我们要分析有用数据，从搜索结果中我们需要的数据有：职位名称、公司名称、公司详情页地址、职位月薪：

通过网页元素定位找到这几项在HTML文件中的位置，如下图所示：

用正则表达式对这四项内容进行提取：

// 正则表达式进行解析
pattern = re.compile('<a style=".*?" target="_blank">(.*?)</a>.*?'        // 匹配职位信息
    '<td class="gsmc"><a href="(.*?)" target="_blank">(.*?)</a>.*?'     // 匹配公司网址和公司名称
    '</td><td class="zwyx">(.*?)</td>', re.S);                                // 匹配月薪

// 匹配所有符合条件的内容
items = re.findall(pattern, html);

注意：解析出来的部分职位名称带有标签，如下图所示：

那么在解析之后要对该数据进行处理剔除标签，用如下代码实现：

for (item in items) {
    job_name = item[0];
    job_name = job_name.replace('<b>', '');
    job_name = job_name.replace('</b>', '');
    yield {
        'job': job_name,
        'website': item[1],
        'company': item[2],
        'salary': item[3]
    };
}

2、写入文件

我们获取到的数据每个职位的信息项都相同，可以写到数据库中，但是本文选择了csv文件，以下为百度百科解释：

由于Python内置了csv文件操作的库函数，所以很方便：

import csv;

function write_csv_headers(path, headers) {
    // 写入表头
    with open(path, 'a', encoding='gb18030', newline='') as f {
        f_csv = csv.DictWriter(f, headers);
        f_csv.writeheader();
    }
}

function write_csv_rows(path, headers, rows) {
    // 写入行
    with open(path, 'a', encoding='gb18030', newline='') as f {
        f_csv = csv.DictWriter(f, headers);
        f_csv.writerows(rows);
    }
}

3、进度显示

要想找到理想工作，一定要对更多的职位进行筛选，那么我们抓取的数据量一定很大，几十页、几百页甚至几千页，那么我们要掌握抓取进度心里才能更加踏实啊，所以要加入进度条显示功能。

本文选择tqdm 进行进度显示，来看一下酷炫结果（图片来源网络）：

执行以下命令进行安装：pip install tqdm。

简单示例：

import { tqdm } from 'tqdm';
import { sleep } from 'time';

for (let i of tqdm(range(1000))) {
    sleep(0.01);
}

4、完整代码

终于介绍完啦！小伙伴们，这篇关于《智联招聘爬虫实战，Python基础抓取教程》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布文章相关知识，快来关注吧！