如何爬取前程無憂python職位資訊
爬取前程無憂python職位資訊的步驟：
1、分析網頁，查詢需要的資料所在位置
網站地址：
%2520,2,1.html
（1）進入該網站，輸入關鍵詞“python”，如下：
可以發現輸入關鍵字後連結也對應出現了“python”關鍵字，根據這個規律可以實現進入任意搜尋關鍵詞的網頁。
（2）緊接著檢查網頁原始碼，看看網頁資料是否在原始碼內：
可以發現職位的詳情網址、職位名稱、薪資等資訊都顯示在網頁原始碼內，確定改資料為靜態資料，可以使用xpath解析語法來獲取。職位的詳情頁也可以根據此方法來判斷是否存在網頁原始碼，結果也是存在的。
（3）我們點選第二頁後發現網址也對應發生改變：
第一頁：
python,2,1.html
第二頁：
python,2,2.html
可以發現連結的倒數第一個數字發生了變化，由1變成2，由此可以判斷這個位置的數字是控制頁數的。接下來可以實現程式碼了。
2、匯入需要使用到的模組，編寫爬取函式以及儲存函式
（1）爬蟲使用到的模組：
import requests # 網路請求庫 from lxml import etree # 解析模組 import time # 時間模組 import csv # csv模組 import urllib3 # urllib3，主要用來關掉警告資訊 from requests.adapters import HTTPAdapter # HTTPAdapter，主要用來重新請求
（2）__init__初始化函方法：
def __init__(self):
self.keyword = input("請輸入搜尋關鍵詞：")
self.url = '{},2,{}.html' # 網頁url
self.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.117 Safari/537.36'} # 設定請求頭
self.requests = requests.Session() # 建立csv物件，用於儲存會話
self.requests.mount('http://', HTTPAdapter(max_retries=3)) # 增加http請求次數,這裡是因為有時候我們這邊網路不好，導致請求出不來，或者對方沒響應給我們，導致報錯。新增這段程式碼可以重新請求
self.requests.mount('https://', HTTPAdapter(max_retries=3)) # 增加https請求次數，這裡是因為有時候我們這邊網路不好，導致請求出不來，或者對方沒響應給我們，導致報錯。新增這段程式碼可以重新請求
self.header = ['position', 'company', 'wages', 'place', 'education','work_experience', 'release_date', 'limit_people', 'address', 'company_type', 'company_size', 'industry', 'point_information'] # csv頭部資訊
self.fp = open('python招聘職位.csv', 'a', encoding='utf-8', newline='') # 建立儲存csv的控制程式碼
self.writer = csv.DictWriter(self.fp, self.header) # 建立writer，用於後面寫入資料
self.writer.writeheader() # 保寫入csv頭部資訊
urllib3.disable_warnings() # 下面的請求中移除了ssl認證會生成警告資訊，所以這裡取消警告輸出
（3）下面單獨實現一個可以獲取總頁數的方法：
def get_end_page(self): # 該函式可以獲取最後一頁的頁數
response = self.requests.get(self.url.format(self.keyword, str(1)), headers=self.headers, timeout=4, verify=False)
text = response.content.decode('gb18030') # 使用gb18030解碼幾乎適用所有網頁，不適用的網頁只有個別，是從其他網站載入的，解析方式不一樣，直接忽略掉。
html = etree.HTML(text)
txt = "".join(html.xpath("//div[@class='dw_page']//div[@class='p_in']/span[1]/text()")) # 獲取包含總頁數的一段字串txt
end_page = int(txt.split('頁', 1)[0][1:]) # 從字串txt提取總頁數
return end_page
（4）獲取詳情頁資訊的方法：
def parse_url(self, url):
response = self.requests.get(url=url, headers=self.headers, timeout=5, verify=False)
try: # 這裡可能會出現解碼錯誤，因為有個別很少的特殊網頁結構，另類來的，不用管
text = response.content.decode('gb18030')
except Exception as e:
print("特殊網頁位元組解碼錯誤：{}，結束執行該函式，解析下一個詳情url".format(e))
return # 直接結束函式，不解析
html = etree.HTML(text)
try: # 如果職位名獲取不到會異常，因為這個詳情url的網頁形式也很特殊，很少會出現這種url，所以就return結束函式，進入下一個詳情url
position = html.xpath("//div[@class='tHeader tHjob']//div[@class='cn']/h1/@title")[0] # 職位名
except:
return
company = "".join(html.xpath("//div[@class='tHeader tHjob']//div[@class='cn']/p[1]/a[1]//text()")) # 公司名
wages = "".join(html.xpath("//div[@class='tHeader tHjob']//div[@class='cn']/strong/text()")) # 工資
informations = html.xpath("//div[@class='tHeader tHjob']//div[@class='cn']/p[2]/text()") # 獲取地點經驗學歷等資訊
informations = [i.strip() for i in informations] # 將元素兩邊去除空格
place = informations[0] # 工作地點
education = "".join([i for i in informations if i in '本科大專應屆生在校生碩士']) # 透過列表推導式獲取學歷
work_experience = "".join([i for i in informations if '經驗' in i ]) # 獲取工作經驗
release_date = "".join([i for i in informations if '釋出' in i]) # 獲取釋出時間
limit_people = "".join([i for i in informations if '招' in i]) # 獲取招聘人數
address = "".join(html.xpath("//div[@class='tCompany_main']/div[2]/div[@class='bmsg inbox']/p/text()")) # 上班地址
company_type = "".join(html.xpath("//div[@class='tCompany_sidebar']/div[1]/div[2]/p[1]/@title")) # 公司型別
company_size = "".join(html.xpath("//div[@class='tCompany_sidebar']/div[1]/div[2]/p[2]/@title")) # 公司規模
industry = "".join(html.xpath("//div[@class='tCompany_sidebar']/div[1]/div[2]/p[3]/@title")) # 所屬行業
point_information = html.xpath('//div[@class="tBorderTop_box"]//div[@class="bmsg job_msg inbox"]//text()')
point_information = "".join([i.strip() for i in point_information if i != 'xa0xa0xa0xa0']).replace("xa0", "") # 職位資訊
if len(point_information) == 0: # 有一些詳情url的職位資訊的html標籤有點區別，所以判斷一下，長度為0就換下面的解析語法
point_information = html.xpath('//div[@class="tBorderTop_box"]//div[@class="bmsg job_msg inbox"]/text()')
point_information = "".join([i.strip() for i in point_information])
if len(point_information) == 0: # 有一些詳情url的職位資訊的html標籤有點區別，所以判斷一下，長度為0就換下面的解析語法
point_information = html.xpath('//div[@class="tBorderTop_box"]//div[@class="bmsg job_msg inbox"]//tbody//text()')
point_information = "".join([i.strip() for i in point_information])
if len(point_information) == 0: # 有一些詳情url的職位資訊的html標籤有點區別，所以判斷一下，長度為0就換下面的解析語法
point_information = html.xpath('//div[@class="tBorderTop_box"]//div[@class="bmsg job_msg inbox"]/ol//text()')
point_information = "".join([i.strip() for i in point_information])
item = {'position':position, 'company':company, 'wages':wages, 'place':place, 'education':education, 'work_experience':work_experience, 'release_date':release_date, 'limit_people':limit_people, 'address':address, 'company_type':company_type, 'company_size':company_size, 'industry':industry,'point_information':point_information} # 把解析到的資料放入字典中
self.writer.writerow(item) # 儲存資料
（5）完整程式碼：
#!/usr/bin/env python
# _*_ coding:utf-8 _*_
#
# @Version : 1.0
# @Time : xxx
# @Author : xx
# @File : 51job.py
import requests # 網路請求庫
from lxml import etree # 解析模組
import time # 時間模組
import csv # csv模組
import urllib3 # urllib3，主要用來關掉警告資訊
from requests.adapters import HTTPAdapter # HTTPAdapter，主要用來重新請求
class PositionSpider(object):
def __init__(self):
self.keyword = input("請輸入搜尋關鍵詞：")
self.url = '{},2,{}.html' # 網頁url
self.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.117 Safari/537.36'} # 設定請求頭
self.requests = requests.Session() # 建立csv物件，用於儲存會話
self.requests.mount('http://', HTTPAdapter(max_retries=3)) # 增加http請求次數,這裡是因為有時候我們這邊網路不好，導致請求出不來，或者對方沒響應給我們，導致報錯。新增這段程式碼可以重新請求
self.requests.mount('https://', HTTPAdapter(max_retries=3)) # 增加https請求次數，這裡是因為有時候我們這邊網路不好，導致請求出不來，或者對方沒響應給我們，導致報錯。新增這段程式碼可以重新請求
self.header = ['position', 'company', 'wages', 'place', 'education','work_experience', 'release_date', 'limit_people', 'address', 'company_type', 'company_size', 'industry', 'point_information'] # csv頭部資訊
self.fp = open('python招聘職位.csv', 'a', encoding='utf-8', newline='') # 建立儲存csv的控制程式碼
self.writer = csv.DictWriter(self.fp, self.header) # 建立writer，用於後面寫入資料
self.writer.writeheader() # 保寫入csv頭部資訊
urllib3.disable_warnings() # 下面的請求中移除了ssl認證會生成警告資訊，所以這裡取消警告輸出
def get_end_page(self): # 該函式可以獲取最後一頁的頁數
response = self.requests.get(self.url.format(self.keyword, str(1)), headers=self.headers, timeout=4, verify=False)
text = response.content.decode('gb18030') # 使用gb18030解碼幾乎適用所有網頁，不適用的網頁只有個別，是從其他網站載入的，解析方式不一樣，直接忽略掉。
html = etree.HTML(text)
txt = "".join(html.xpath("//div[@class='dw_page']//div[@class='p_in']/span[1]/text()")) # 獲取包含總頁數的一段字串txt
end_page = int(txt.split('頁', 1)[0][1:]) # 從字串txt提取總頁數
return end_page
def get_url(self, count):
num = 0 # 用於判斷是請求響應失敗，還是頁數到底了
while True: # 這裡設定while是因為有時候請求太快，響應跟不上，會獲取不到資料。也可以使用睡眠的方法。
num += 1
response = self.requests.get(url=self.url.format(self.keyword, count), headers=self.headers, timeout=4, verify=False) # 發起get請求
text = response.content.decode('gb18030')
html = etree.HTML(text)
detail_urls = html.xpath("//div[@class='dw_table']/div[@class='el']//p/span/a/@href") # 使用xpath語法提取該頁所有詳情url
if len(detail_urls) == 0: # 列表長度為零就重新請求，這一步是因為有時候傳送請求過快，對方伺服器跟不上我們速度，導致返回資料為空，所以下面睡眠一下，重新請求
time.sleep(2) # 睡眠一下
continue
else:
break
return detail_urls # 返回列表，將詳情url給下一個函式進行解析獲取資料
def parse_url(self, url):
response = self.requests.get(url=url, headers=self.headers, timeout=5, verify=False)
try: # 這裡可能會出現解碼錯誤，因為有個別很少的特殊網頁結構，另類來的，不用管
text = response.content.decode('gb18030')
except Exception as e:
print("特殊網頁位元組解碼錯誤：{}，結束執行該函式，解析下一個詳情url".format(e))
return # 直接結束函式，不解析
html = etree.HTML(text)
try: # 如果職位名獲取不到會異常，因為這個詳情url的網頁形式也很特殊，很少會出現這種url，所以就return結束函式，進入下一個詳情url
position = html.xpath("//div[@class='tHeader tHjob']//div[@class='cn']/h1/@title")[0] # 職位名
except:
return
company = "".join(html.xpath("//div[@class='tHeader tHjob']//div[@class='cn']/p[1]/a[1]//text()")) # 公司名
wages = "".join(html.xpath("//div[@class='tHeader tHjob']//div[@class='cn']/strong/text()")) # 工資
informations = html.xpath("//div[@class='tHeader tHjob']//div[@class='cn']/p[2]/text()") # 獲取地點經驗學歷等資訊
informations = [i.strip() for i in informations] # 將元素兩邊去除空格
place = informations[0] # 工作地點
education = "".join([i for i in informations if i in '本科大專應屆生在校生碩士']) # 透過列表推導式獲取學歷
work_experience = "".join([i for i in informations if '經驗' in i ]) # 獲取工作經驗
release_date = "".join([i for i in informations if '釋出' in i]) # 獲取釋出時間
limit_people = "".join([i for i in informations if '招' in i]) # 獲取招聘人數
address = "".join(html.xpath("//div[@class='tCompany_main']/div[2]/div[@class='bmsg inbox']/p/text()")) # 上班地址
company_type = "".join(html.xpath("//div[@class='tCompany_sidebar']/div[1]/div[2]/p[1]/@title")) # 公司型別
company_size = "".join(html.xpath("//div[@class='tCompany_sidebar']/div[1]/div[2]/p[2]/@title")) # 公司規模
industry = "".join(html.xpath("//div[@class='tCompany_sidebar']/div[1]/div[2]/p[3]/@title")) # 所屬行業
point_information = html.xpath('//div[@class="tBorderTop_box"]//div[@class="bmsg job_msg inbox"]//text()')
point_information = "".join([i.strip() for i in point_information if i != 'xa0xa0xa0xa0']).replace("xa0", "") # 職位資訊
if len(point_information) == 0: # 有一些詳情url的職位資訊的html標籤有點區別，所以判斷一下，長度為0就換下面的解析語法
point_information = html.xpath('//div[@class="tBorderTop_box"]//div[@class="bmsg job_msg inbox"]/text()')
point_information = "".join([i.strip() for i in point_information])
if len(point_information) == 0: # 有一些詳情url的職位資訊的html標籤有點區別，所以判斷一下，長度為0就換下面的解析語法
point_information = html.xpath('//div[@class="tBorderTop_box"]//div[@class="bmsg job_msg inbox"]//tbody//text()')
point_information = "".join([i.strip() for i in point_information])
if len(point_information) == 0: # 有一些詳情url的職位資訊的html標籤有點區別，所以判斷一下，長度為0就換下面的解析語法
point_information = html.xpath('//div[@class="tBorderTop_box"]//div[@class="bmsg job_msg inbox"]/ol//text()')
point_information = "".join([i.strip() for i in point_information])
item = {'position':position, 'company':company, 'wages':wages, 'place':place, 'education':education, 'work_experience':work_experience, 'release_date':release_date, 'limit_people':limit_people, 'address':address, 'company_type':company_type, 'company_size':company_size, 'industry':industry,'point_information':point_information} # 把解析到的資料放入字典中
self.writer.writerow(item) # 儲存資料
if __name__ == '__main__':
print("爬蟲開始")
spider = PositionSpider() # 建立類的物件spider
end_page = spider.get_end_page() # 獲取該職位的總頁數
print("總頁數：{}".format(str(end_page)))
for count in range(1, end_page+1): # 遍歷總頁數
detail_urls = spider.get_url(count) # 獲取詳情url方法，接收列表
for detail_url in detail_urls: # 遍歷獲取的詳情url
time.sleep(0.2) # 稍微睡眠一下
spider.parse_url(detail_url) # 解析詳情頁獲取資料
print("已爬取第{}頁".format(count))
spider.fp.close() # 關閉控制程式碼
print("爬取結束")
採集結果：
更多Python知識，請關注：！！
來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/2508/viewspace-2833245/，如需轉載，請註明出處，否則將追究法律責任。
相關文章
- python爬取前程無憂和拉勾資料分析崗位並分析Python
- 前程無憂崗位資料爬取+Tableau視覺化分析視覺化
- 利用Python爬蟲獲取招聘網站職位資訊Python爬蟲網站
- 拉勾網職位資料爬取
- 前程無憂財報：2012年前程無憂總營收為人民幣3.808億元 同比增長17.3%營收
- 前程無憂：84.7%的職場人在下班後仍會關注工作相關資訊
- 爬取 Boss 直聘網上海區域 PHP 職位資訊資料並分析PHP
- python爬蟲——爬取大學排名資訊Python爬蟲
- python爬取北京租房資訊Python
- 前程無憂：2018年Q1酒店/旅遊行業人才需求資訊行業
- python爬蟲--爬取鏈家租房資訊Python爬蟲
- 前程無憂：調查顯示網店、代購、專車成為最多人從事的兼職工作
- 前程無憂：2021大學生就業形勢報告就業
- 前程無憂執行長向Recruit售100萬股股票UI
- python itchat 爬取微信好友資訊Python
- Python爬蟲爬取淘寶，京東商品資訊Python爬蟲
- 小白學 Python 爬蟲（25）：爬取股票資訊Python爬蟲
- 前程無憂助力，再次舉辦湖北武漢網路專場招聘會
- Python爬蟲實戰：爬取淘寶的商品資訊Python爬蟲
- 前程無憂：2022遠端辦公人群實感調查
- 用python爬取鏈家的租房資訊Python
- Python 招聘資訊爬取及視覺化Python視覺化
- 實戰爬取BOOS直聘，找到最適合你的職位
- python爬蟲58同城（多個資訊一次爬取）Python爬蟲
- python-python爬取豆果網（菜譜資訊）Python
- [Python3]selenium爬取淘寶商品資訊Python
- Python3爬取貓眼電影資訊Python
- 前程無憂釋出一季度財報 淨利潤為420萬美元
- [python爬蟲] 招聘資訊定時系統 (一).BeautifulSoup爬取資訊並儲存MySQLPython爬蟲MySql
- 如何更無憂的使用MacMac
- python爬蟲如何獲取表情包Python爬蟲
- 前程無憂：調查顯示61% 的畢業生認為 “找工作比較難”
- Python 爬蟲獲取網易雲音樂歌手資訊Python爬蟲
- Python筆記：網頁資訊爬取簡介（一）Python筆記網頁
- Python爬取天氣資訊並語音播報Python
- python爬蟲，獲取中國工程院院士資訊Python爬蟲
- python實現微博個人主頁的資訊爬取Python
- 用Python爬取實習資訊（Scrapy初體驗）Python