DullRabbit

51Job信息爬取

from bs4 import BeautifulSoup
import requests
import csv

\'\'\'
:param url 爬取页面第一页,页数用{}代替
:param page 爬取页数
:return 返回一个存放每个职位详细信息的链接 列表
\'\'\'
def get_urls(url, page):
    sub_urls = []  # 存放子链接列表
    count = 1  # 数据计数
    # 获取子链接
    for i in range(1, page):
        response = requests.get(url.format(i), header)  # 获取子链接
        response.encoding = \'gbk\'                # gbk解码
        soup = BeautifulSoup(response.text, "html.parser")     # 用html.parser解析 将返回的文本转BeautifulSoup对象
        p_info = soup.find_all(\'p\', class_="t1")    # 获取到p标签的信息
        for info in p_info:
            sub_urls.append(info.span.a[\'href\'])  # 获取a标签的 href链接 添加到sub_url
            print("已获取{}个字网页链接".format(count))
            count += 1
    return sub_urls  # 返回子链接列表


\'\'\'
:param sub_urls 子页面链接
:param filename 存放信息的csv文件名称
:return 无返回,会在当前目录创建该文件,获取的信息会存放在该文件中
\'\'\'
def get_info(sub_urls, filename):
    # 数据计数
    count = 1

    # 写入要获取的信息
    with open(storefile, \'w\', newline=\'\', encoding=\'utf-8\') as f:
        csv_write = csv.writer(f)
        csv_write.writerow([\'公司\', \'职位名称\', \'工资\', \'地点及要求\', \'福利\', \'职位信息\'])

    # 访问子链接获取需要的信息
    for url in sub_urls:
        # 获取文本
        try:
            info_response = requests.get(url, headers=header)
            info_response.encoding = \'gbk\'
            info_soup = BeautifulSoup(info_response.text, "html.parser")

            # 职位、薪资、公司信息抓取
            infomation_less = info_soup.find(\'div\', class_=\'cn\')  # 简单信息
            position = infomation_less.h1.text      # 职位
            salary = infomation_less.strong.text    # 薪资
            company = infomation_less.p.a.text      # 公司

            # 招工信息抓取 地点、工作经验、学历要求、招工人数、发布日期等
            info_employ = info_soup.find(\'p\', class_=\'msg\').text
            req = info_employ.split("\xa0\xa0|\xa0\xa0")  # 字符串分割

            # 福利信息抓取
            try:
                info_welare = info_soup.find(\'div\', class_=\'t1\')
                welare_all = info_welare.findAll(\'span\', class_=\'sp4\')
                welare = []  # 建立存储福利列表
                for i in welare_all:
                    welare.append(i.text)  # 将所有span标签中的福利信息存入
                # print(welare)
            except Exception as e:  # 异常抛出
                print(\'ware\', end=" ")
                print(e)
                welare = "None"

            # 职位信息抓取
            try:
                info_position = info_soup.find("div", class_="bmsg")
                position_all = info_position.find_all("p")
                pos = ""
                positioninfo = []   # 建立存储职位信息列表
                for i in position_all:
                    positioninfo.append(i.text)
                pos = pos.join(positioninfo)    # 列表信息合并为一个字符串
            except Exception as e:  # 异常抛出
                print(\'pos\', end=" ")
                print(e, end=" ")
                pos = "None"

            # 信息整合
            all = [company, position, salary, req, welare, pos]

            # 信息写入
            with open(filename, \'a\', encoding=\'utf-8\') as file:
                write = csv.writer(file)
                write.writerow(all)
        except Exception as e:  # 如果有异常,打印  并且存放None
            print(e, end=" ")
            with open(filename, \'a\', encoding=\'utf-8\') as file:
                write = csv.writer(file)
                write.writerow([\'None\'])
        print("已爬取{}条数据".format(count))
        count += 1


if __name__ == \'__main__\':

    storefile = \'JobInfo.csv\'

    url = \'https://search.51job.com/list/120200%252C010000%252C020000%252C030200%252C040000,000000,0000,00,9,99,python,2,{}.html\'

    header = {
        \'User-Agent\': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36",
    }

    subUrls = get_urls(url, 10)
    get_info(subUrls, storefile)

 

运行效果:

 

 

 

 

一、遇到问题与解决:

1、request.get() 关于请求头的问题 ,必须写 headers =header

2、BeautifulSoup 默认将字符编码转为utf-8。在职位信息写入csv文档的时候总是报 gbk 解析不了 “/xa0”,最后只好把csvutf-8的方式解码

3、有些信息时获取不到的,存放的时候总是报错,当时没有抛出异常,程序终止。

4、抛异常尽可能多加,如果只加最外面的异常抛出,有的时候获取的某一个小数据抓取不到,会将整条数据记为None(我这里最外面写的是这样,如果抓取不到信息整条记录为None),之后我在内部也加了几个异常抛出,记录抓取不到的某个小数据记为None

5、csv写入问题,以w的方式打开会从表头开始写,到最后打开文件一看就一行数据(尴尬),最后搜了一下如果想接着写入要以a的方式打开

6、列表信息整合成字符,当我在爬取职位详情的时候,获取的信息都以list的形式存放的,当时感觉存起来不太好看而且原本信息也不是这样,后来同学提示,join()方法可以合并list里的信息为一个字符串

二、学到知识

除了上面所记录的还了解到了:

1、Beautiful Soup解析库

 

2、Beautiful Soup 属性获取

 

3、字符串分割

 

4、python 中 with as 的使用:

 

文件处理时自动关闭

 

 

三、还需完善:

Emmm,哈哈,这个代码写了半天了,也算是完成的差不多了,只是有些信息没有单独存放,为什么呢?因为信息存放在一个列表里了,列表信息不一,会有很多情况

如图:

 

第一个值是城市,第二个值大部分都是要求的工作经验,但是有的也是没有的,如果通过索引的方法提取,提取到的信息可能并不是所需要的。我能想到的办法是通过字符匹配吧,类似于

 

比如要去招多少人的信息,那么

1、合并整个列表为字符串,

2、str1=” str2=”” 

3、然后定位两字符的位置b, e

4、之后对合并的字符进行切片处理,获取想要的信息

 

不过这样很麻烦,而且有的时候可能弄不准确,在线求解决方法~  

分类:

技术点:

相关文章: