python3 [入门基础实战] 爬虫入门之智联招聘的学习(一)

雨点打透心脏的1/2处 2021-06-10 20:42 885阅读 0赞

# 老实说：懵逼啊 #

> 这次爬取的是智联招聘上的求职数据，虽然没有仔细正确核对一下数据是否具有重复性，随机抽查了些，数据大部分还是能对上来的，这次爬取的智联招聘上的数据90页，每页60条，主要抓取的是android开发工程的数据，

--------------------

> 抓取的数据为全国的数据，先上张结果图吧，

![这里写图片描述][SouthEast]

如果是想看大图，可以选中图片，长按，移动到网页最上面的边上就可以了。

ide 部分  
![这里写图片描述][SouthEast 1]

> 数据用了多线程的方式，这是第一次用，因为这次用了多线程，很多时间都花在怎么把数据存储到excel文件中，后面debug下了，还是不知道怎么存，以后再过来填这个坑吧，确实有点坑，是不是。这次本来用的xpath，第一次用的是直接在浏览器右键copy xpath路径就没事了，谁知，内存地址能搞出来，但就是搞不出文本来。很无奈啊

--------------------

> 又改回beautifulsoup 这玩意了，说实话，东西不用了，确实用的也生疏起来，这也是为什么作为一个初学者需要进行多练习吧，这样才能记住东西，
> 
> 可值得学习的亮点：

url = 'http://sou.zhaopin.com/jobs/searchresult.ashx?jl=全国&kw=android&p={0}&kt=3'.format(page)
        print("第{0}页".format(page))

以后要多用这样子的形式，显出逼格来，难道不是吗？

### 这一块，beautifulsoup的强处吧？以后还是多用用这个方法 ###

也贴出来

job_name = soup.select("table.newlist > tr > td.zwmc > div > a")
        salarys = soup.select("table.newlist > tr > td.zwyx")
        locations = soup.select("table.newlist > tr > td.gzdd")
        times = soup.select("table.newlist > tr > td.gxsj > span")
        print('times '+str(times))
        for name, salary, location, time in zip(job_name, salarys, locations, times):
            data = {
                'name': name.get_text(),
                'salary': salary.get_text(),
                'location': location.get_text(),
                'time': time.get_text(),
            }
            print(data)

最后就是多进程的地方了，python这玩意，确实，没几行代码，能搞出这么多事情

pool = Pool(processes=6)
        pool.map_async(get_zhaopin, range(1, 91))
       # wb.save('智联招聘android' + '.xlsx')
        pool.close()
        pool.join()

最后贴出完整代码吧，运行环境pycharm2017 ，python35

# coding:utf-8
    
    import requests
    from bs4 import BeautifulSoup
    from multiprocessing import Pool
    from openpyxl import Workbook
    import json
    
    pageNum = 1  # 用来计数，爬取了多少条目的
    wb = Workbook()
    ws = wb.active
    ws.title = '智联招聘'
    ws.cell(row=1, column=1).value = '岗位'
    ws.cell(row=1, column=2).value = '地址'
    ws.cell(row=1, column=3).value = '发表天数'
    ws.cell(row=1, column=4).value = '薪资'
    
    
    def get_zhaopin(page):
        global pageNum
        url = 'http://sou.zhaopin.com/jobs/searchresult.ashx?jl=全国&kw=android&p={
       0}&kt=3'.format(page)
        print("第{
       0}页".format(page))
        print(url)
        header = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'
            ,
            'Cookie': 'JSSearchModel=0; LastCity%5Fid=653; LastCity=%e6%9d%ad%e5%b7%9e; LastJobTag=%e4%ba%94%e9%99%a9%e4%b8%80%e9%87%91%7c%e8%8a%82%e6%97%a5%e7%a6%8f%e5%88%a9%7c%e5%b8%a6%e8%96%aa%e5%b9%b4%e5%81%87%7c%e7%bb%a9%e6%95%88%e5%a5%96%e9%87%91%7c%e9%a4%90%e8%a1%a5%7c%e5%ae%9a%e6%9c%9f%e4%bd%93%e6%a3%80%7c%e5%91%98%e5%b7%a5%e6%97%85%e6%b8%b8%7c%e5%bc%b9%e6%80%a7%e5%b7%a5%e4%bd%9c%7c%e5%b9%b4%e5%ba%95%e5%8f%8c%e8%96%aa%7c%e4%ba%a4%e9%80%9a%e8%a1%a5%e5%8a%a9%7c%e9%80%9a%e8%ae%af%e8%a1%a5%e8%b4%b4%7c%e9%ab%98%e6%b8%a9%e8%a1%a5%e8%b4%b4%7c%e8%82%a1%e7%a5%a8%e6%9c%9f%e6%9d%83%7c%e5%85%a8%e5%8b%a4%e5%a5%96%7c%e5%8a%a0%e7%8f%ad%e8%a1%a5%e5%8a%a9%7c%e8%a1%a5%e5%85%85%e5%8c%bb%e7%96%97%e4%bf%9d%e9%99%a9%7c%e5%85%8d%e8%b4%b9%e7%8f%ad%e8%bd%a6%7c%e5%b9%b4%e7%bb%88%e5%88%86%e7%ba%a2%7c%e5%8c%85%e5%90%83%7c%e6%88%bf%e8%a1%a5%7c%e5%8c%85%e4%bd%8f%7c%e9%87%87%e6%9a%96%e8%a1%a5%e8%b4%b4; LastSearchHistory=%7b%22Id%22%3a%22189ddb74-f21f-45b7-aae7-f4b2669b25a1%22%2c%22Name%22%3a%22python+%2b+%e6%9d%ad%e5%b7%9e%22%2c%22SearchUrl%22%3a%22http%3a%2f%2fsou.zhaopin.com%2fjobs%2fsearchresult.ashx%3fjl%3d%25e6%259d%25ad%25e5%25b7%259e%26kw%3dpython%26isadv%3d0%26sg%3db19e7c6f12a348359a72d76356038a60%26p%3d4%22%2c%22SaveTime%22%3a%22%5c%2fDate(1498753078650%2b0800)%5c%2f%22%7d; SubscibeCaptcha=6A68665FC75D4E6F42128088820FE28E; urlfrom=121126445; urlfrom2=121126445; adfcid=none; adfcid2=none; adfbid=0; adfbid2=0; dywez=95841923.1498753080.1.1.dywecsr=(direct)|dyweccn=(direct)|dywecmd=(none)|dywectr=undefined; dywea=95841923.196580863499777400.1498753080.1498753080.1498753080.1; dywec=95841923; dyweb=95841923.1.10.1498753080'
        }
        wbdata = requests.get(url, headers=header).text
        soup = BeautifulSoup(wbdata, 'lxml')
    
        job_name = soup.select("table.newlist > tr > td.zwmc > div > a")
        salarys = soup.select("table.newlist > tr > td.zwyx")
        locations = soup.select("table.newlist > tr > td.gzdd")
        times = soup.select("table.newlist > tr > td.gxsj > span")
        print('times  '+str(times))
        for name, salary, location, time in zip(job_name, salarys, locations, times):
            data = {
                'name': name.get_text(),
                'salary': salary.get_text(),
                'location': location.get_text(),
                'time': time.get_text(),
            }
            print(data)
            # ws.cell(row=page+1, column=1).value =name.get_text()
            # ws.cell(row=page+1, column=2).value = salary.get_text()
            # ws.cell(row=page+1, column=3).value = location.get_text()
            # ws.cell(row=page+1, column=4).value = time.get_text()
    
    
    if __name__ == '__main__':
        pool = Pool(processes=6)
        pool.map_async(get_zhaopin, range(1, 91))
        wb.save('智联招聘android' + '.xlsx')
        pool.close()
        pool.join()
    
        # for i in range(1,3):
        #     get_zhaopin(1)
        # wb.save('智联招聘android' + '.xlsx')

> 不足之处:  
> 1 ，存储没有做好  
> 2 ，数据进行解析方面做的不到位，没有很耐心的去一个一个认真的解析  
> 3， 部分数据还未写进来。比如公司名称。  
> 4， 对beautifulsoup库又快忘得差不多，需要对mysql，mogodb数据库存储进行学习，加快脚步。

[SouthEast]: /images/20210529/5695a606db2f4c2080e075cf5461143e.png
[SouthEast 1]: /images/20210529/769a449636ef4a6884427980e6c13eb3.png