牵手丶若相惜 发表于 2020-1-5 14:13

爬取boss直聘

本帖最后由 wushaominkk 于 2020-1-6 09:11 编辑

仅限学习!仅限学习!!仅限学习!!!
————————————————————————
实用性不高 数据处理的一般 只是学习
我是进入二级页面爬取的详细信息 其实在一级页面就能爬取大致的信息 但是一级页面没有公司的具体名字
cookie是我登录后获取的 你们自行更换自己的cookie 我已经把cookie删除掉了
有时爬到第5页会出现 爬不下来 我就加了个判断
如果出现异常 让你输入cookie1 和 cookie2 就手动刷新一下页面获取 然后输入


一级页面是:爬取的页面
二级页面是:职位点进去的详情
cookie1是一级页面的
cookie2是二级页面的
这俩个能不能用同一个 我没去实验 你可以自己试试
爬取一次要更换一次cookie 不然爬不出来

import requests
import re
import time
import random
from lxml import etree

# 详细页面的后缀
search_list = 0

# 页码
cd = 1

headers = {
   # 填上你自己登录后的cookie
    "cookie": "",
    "referer": "https://www.zhipin.com/c101010100/?query=%E7%88%AC%E8%99%AB&page={}&ka=page-{}",
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36",
}
headers_1 = {
   # 填上你自己登录后的详情页的cookie
    "cookie": "",
    "referer": "https://www.zhipin.com/c101010100/?query=%E7%88%AC%E8%99%AB&page=3&ka=page-3",
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36",
}

parameters = {
    "query": "爬虫",
    "page": "2",
    "ka": "page-2"
}


# 匹配详细信息
def detailed_information(response):
    # gs(公司),cs(城市),gzyq(岗位职责),rs(招聘人数),gz(工资),name(岗位名字),detail(技能要求)
    try:
      gs = re.findall('<h3>工商信息</h3>(.*?)<div class="level-list">', response, re.S).replace('<div class="name">',"").replace('</div>',"").replace('\n',"").replace(' ',"")
    except:
      gs="null"
    html = etree.HTML(response)
    try:
      cs = html.xpath('//*[@id="macin"]/div/div/div/div/p/text()').replace("\n","").replace(" ","")
    except:
      cs="null"
    try:
      yq = html.xpath('//*[@id="main"]/div/div/div/div/div/div/text()')
    except:
      yq="null"
    rs = random.randint(1, 10)
    try:
      gz = html.xpath('//*[@id="main"]/div/div/div/div/div/span/text()').replace("\n","").replace(" ","")
    except:
      gz = "null"
    try:
      name = html.xpath('//*[@id="main"]/div/div/div/div/div/h1/text()').replace("\n","").replace(" ","")
    except:
      name = "null"
    if len(cs) == 0:
      cs="null"
    if len(gz) == 0:
      cs="null"
    if len(gz) == 0:
      cs = "null"
    if len(name) == 0:
      cs = "null"

    detail = ""
    yq = "".join(yq)
    yq = yq.replace("\n", "").replace(" ", "")
    gzyq = ""
    if len(yq) == 0:
      gzyq = "null"
      detail = "null"
    else:
      data = yq.split(":")
      if len(data) == 1:
            gzyq = data
            detail = "null"
      elif len(data) == 2:
            gzyq = data
            detail = "null"
      elif len(data) == 3:
            gzyq = data[:-4]
            detail = data
      else:
            gzyq = "null"
            detail = "null"
    print(gs + "," + cs + "," + gzyq + "," + str(rs) + "," + gz + "," + name + "," + detail)
    with open("Boss直聘.txt", "a", encoding="utf-8") as file:
      file.write((gs + "," + cs + "," + gzyq + "," + str(rs) + "," + gz + "," + name + "," + detail))
      file.write("\n")


def information(urls):
    global search_list
    parameters_1 = {"ka": "search_list_"+str(search_list)}
    headers_1["referer"] = headers["referer"]
    prefix = "https://www.zhipin.com/"
    for url in urls:
      url = prefix+url
      search_list += 1
      response = requests.get(url, headers=headers_1, params=parameters_1).text
      detailed_information(response)
      time.sleep(random.randint(2,4))


def position_url(response):
    try:
      urls = re.findall(' <a href="(/job_detail/.*?html)"', response, re.S)
      return urls
    except:
      return 0


def main():
    url = "https://www.zhipin.com/c101010100/"

    # cd使用的是全局变量
    for i in range(cd, 6):
      parameters["page"] = str(i)
      parameters["ka"] = "page-" + str(i)
      if i < 1:
            page = str(i - 1)
            headers["referer"] = headers["referer"].format(page, page)
      response = requests.get(url, headers=headers, params=parameters).text
      urls = position_url(response)
      if len(urls) == 0 and i == 5:
            print("出现异常")
            return i
      print("第", i, "页")
      time.sleep(random.randint(2, 4))
      information(urls)
    return 0


if __name__ == '__main__':
    # 写标题
    with open("Boss直聘.txt", "w", encoding="utf-8") as file:
      file.write("公司名称,工作城市,工作要求,招聘人数,工资情况,name(岗位名称),detail")
      file.write("\n")
    while True:
      result = main()
      if result == 0:
            print("完成")
            break
      else:
            cd = result
            headers["cookie"] = input("输入cookie1:")
            headers_1["cookie"] = input("输入cookie2:")
            continue

仁者无敌2 发表于 2020-1-5 14:42

谢谢发表!一点小建议:将爬取的数据写到一个数据库(比如MongoDB)或者是写入到Excel就更好了,也方便下一步的数据处理分析!代码的话可以在代码框里输入,可读性会比较高。

mketo 发表于 2020-1-5 15:16

大佬大佬,学习学习了

xjbc2019 发表于 2020-1-5 15:19

感谢作者,辛苦,新年快乐

kyleLee 发表于 2020-1-5 15:28

感谢分享,新年快乐!

wendell12 发表于 2020-1-5 15:34

厉害 学习了

jidesheng6 发表于 2020-1-5 15:40

建议写出到Excel中,不然纯txt的话,数据大了就不好读了

lishun2233 发表于 2020-1-5 15:44

6666,感觉我已经离各位大佬越来越远了。。。不过人家反发爬虫吗?

jackyzhu 发表于 2020-1-5 15:57

厉害
学习了!

对影三人 发表于 2020-1-5 17:31

很好的爬虫实例,大佬牛皮
页: [1] 2 3
查看完整版本: 爬取boss直聘