【Python爬虫】招聘网站实战合集第一弹:爬取前程无忧

【Python爬虫】招聘网站实战合集第一弹:爬取前程无忧

爬个妹子总是没过,没办法,咱们来爬爬招聘网站吧~


在这里插入图片描述

本次以前程无忧为例,看看Python的工资如何。


这是今天的重点

1、爬虫的基本流程
2、re正则表达式模块的简单使用
3、requests模块的使用
4、保存csv

 

使用的软件

python 3.8
pycharm 2021专业版
pycharm 社区版 (免费) 没有主题
专业版 (需要激活码)
使用的模块
requests >>> pip install requests (数据请求模块) 第三方模块
re
json
csv
time

爬虫最基本的思路

一. 数据来源分析
1. 确定我们要的爬取的内容是什么?
招聘基本数据信息
2. 通过开发者工具进行抓包分析, 分析这些数据是从哪里可以获得
开发者工具怎么打开 : F12 或者 鼠标右键点击检查

二. 代码实现步骤: 发送请求 >>> 获取数据 >>> 解析数据 >>> 保存数据
1. 发送请求, 对于url地址发送请求
https://search.51job.com/list/010000%252C020000%252C030200%252C040000%252C090200,000000,0000,00,9,99,python,2,1.html
2. 获取数据, 获取服务器发给我们返回的数据响应数据
3. 解析数据, 提取我们想要的数据内容 (比如 招聘标题, 招聘薪资…)
4. 保存数据, 保存到csv文件

OK,思路都清楚的话,咱们来康康代码。

【Python爬虫】招聘网站实战合集第一弹:爬取前程无忧,零基础也能学会!

 

首先导入模块


不会安装模块以及安装失败看这篇教程:如何安装python模块, python模块安装失败的原因以及解决办法

import requests  # 数据请求 第三方模块 pip install requests
import re  # 正则表达式模块
import json  # 序列化与反序列化
import pprint  # 格式化输出模块
import csv  # 保存csv数据

 

算了,我直接贴代码吧,流程都写清楚了,我把注释也标上了。

关于这篇文章,也有相对应的视频教程:

f = open("python招聘数据1.csv", mode="a", encoding="utf-8", newline="")
csv_writer = csv.DictWriter(f, fieldnames=[
    "标题",
    "公司名字",
    "城市",
    "薪资",
    "招聘信息",
    "公司属性",
    "公司规模",
    "企业性质",
    "招聘发布日期",
    "公司详情页",
    "招聘详情页",
])
csv_writer.writeheader() # 写入表头数据
for page in range(1, 11):
    #  1. 发送请求, 对于url地址发送请求
    url = f"https://search.51job.com/list/010000%252C020000%252C030200%252C040000%252C090200,000000,0000,00,9,99,python,2,{page}.html"
    # 把python代码进行伪装, 伪装浏览器对服务器发送请求
    # User-Agent 浏览器的基本信息
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36"
    }
    response = requests.get(url=url, headers=headers)  # 调用 requests这个模块里面get方法对于 url发送请求
    #  2. 获取数据, 获取服务器发给我们返回的数据响应数据
    # <Response [200]> <> 表示response响应对象 200 状态码 表示请求成功
    # response.text 获取响应体的文本数据(网页源代码)
    # print(response.text)
    # 3. 解析数据, 提取我们想要的数据内容 (比如 招聘标题, 招聘薪资...)
    # 解析方法: re正则表达式, css选择器 xpath  根据服务器返回的数据内容, 选择最适合的解析方式
    # 遇事不决 .*? 元字符 . 可以匹配任意字符串除了换行符以外 * 匹配前一个字符串 0个或者多个 ? 非贪婪匹配模式
    # [] 表示列表
    # {} 可能想到的是字典数据类型
    # .*? 可以匹配任意字符串 除了 换行符

    # 通过re模块调用 findall 方法 "window.__SEARCH_RESULT__ = (.*?)</script>" 要匹配的数据内容  response.text从哪里匹配数据 [0] 列表索引取第一个元素
    # 正则表达式详细内容讲解 在VIP课程里面 要讲三个小时左右
    html_data = re.findall("window.__SEARCH_RESULT__ = (.*?)</script>", response.text, re.S)[0]
    # print(html_data)
    # print(type(html_data))
    # 把这个字符串数据类型 转成 字典数据类型 通过键值对取值方式提取想要的内容
    json_data = json.loads(html_data)
    # print(type(json_data))
    # 字符串的时候 里面的引号是双引号 字典时候就变成了单引号
    # print(json_data)
    # pprint.pprint(json_data["engine_jds"])
    # 字典取值 根据冒号左边的内容, 提取冒号右边的内容
    # parsel 数据解析
    for index in json_data["engine_jds"]:
        # pprint.pprint(index)
        dit = {
            "标题": index["job_name"],
            "公司名字": index["company_name"],
            "城市": index["workarea_text"],
            "薪资": index["providesalary_text"],
            "招聘信息": "|".join(index["attribute_text"]),
            "公司属性": index["companyind_text"],
            "公司规模": index["companysize_text"],
            "企业性质": index["companytype_text"],
            "招聘发布日期": index["issuedate"],
            "公司详情页": index["company_href"],
            "招聘详情页": index["job_href"],
        }
        csv_writer.writerow(dit)
        print(dit)

 

注释在手,世界都是你的,加油骚年!


在这里插入图片描述
.