Python爬虫攻略：智联招聘基础抓取教程

本文详细介绍了如何使用Python爬虫技术抓取智联招聘网站上的职位信息。文章以北京海淀区的Python工程师为例，讲解了如何分析网页请求地址和提取有用数据。通过使用Python3.6和Sublime Text，结合Chrome浏览器的开发者工具，读者可以学会如何构造请求地址、提取职位名称、公司名称、职位月薪等信息，并将数据写入CSV文件。此外，文章还介绍了如何使用tqdm库显示抓取进度，帮助用户更直观地了解爬虫运行情况。

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>.*?'        # 匹配职位信息
                     '(.*?)a>.*?'     # 匹配公司网址和公司名称
                     '(.*?)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('<', '')
    job_name = job_name.replace('>', '')
    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
def 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()
def 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：

from tqdm import tqdm
from time import sleep
for i in tqdm(range(1000)):
sleep(0.01)

4、完整代码

今天关于《Python爬虫攻略：智联招聘基础抓取教程》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于csv文件,数据提取,Python爬虫,智联招聘,tqdm的内容请关注golang学习网公众号！