用Python写一个小爬虫吧！

学习了一段时间的web前端，感觉有点看不清前进的方向，于是就写了一个小爬虫，爬了51job上前端相关的岗位，看看招聘方对技术方面的需求，再有针对性的学习。

我在此之前接触过Python，也写过一些小脚本，于是决定用Python来完成这个小项目。

首先说说一个爬虫的组成部分：

1.目标连接，就是我需要爬取信息的网页的链接；

2.目标信息，就是网页上我需要抓取的信息；

3.信息梳理，就是对爬取的信息进行整理。

下面我来说说整个爬虫的设计思路：

总体思路：以“前端”关键字进行搜索，把搜索结果上面每一个招聘信息的链接爬取下来，再通过这些招聘职位的链接去抓取相应页面上的具体要求。

1.先在51job上以“前端”为关键字进行搜索，从搜索结果来看，跟我的目标职位相似度还是很高的，所以用“前端”作为关键字是没问题的。

2.获取搜索结果的链接，通过比较1,2两页的链接，发现只有一个数字的差别，所以我可以直接更改这个数字来获取每一页的链接

3.在搜索结果页面按F12可以看到网页结构，按下左上角的鼠标按钮，再去点网页上的元素，网页结构会自动展现相应的标签

 

 

4.按下左上角的鼠标按钮，再去点招聘信息的岗位链接，可以在网页结构中看到，我们需要的每一个岗位的具体链接是放在一个a标签里面的

5.再点进这个职位的详情页面，按F12查看网页结构，再按左上角鼠标按钮，之后点击网页上的职位信息，我发现职位信息都是放在一个div标签里面，这个div有一个样式类属性class="bmsg job_msg inbox"，具体的信息是放在这个div下的p标签中，我查看了其他几个招聘页面，也是相同的结构

 

所以我的爬虫要先爬取搜索结果页面中的职位链接，再进到相应的链接爬取div标签下p标签的内容，最后对这些内容做一个词频分析。

 

为了简化这个小项目的结构，我决定把这3个任务分成3个小脚本来执行。

首先是爬取搜索结果页面中的职位链接。代码如下

#爬取职位链接这一步用到了3个库
import requests
from bs4 import BeautifulSoup
import chardet

f = open('info.txt', 'a') # f是我存储爬取信息的文本文件，使用追加模式，就是说后面写入的信息会放在已有的信息后面，这样就不会把之前的信息覆盖掉
url = 'https://search.51job.com/list/020000,000000,0000,00,9,99,%25E5%2589%258D%25E7%25AB%25AF,2,{}.html?' \
      'lang=c&stype=1&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&' \
      'lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=4&dibiaoid=0&address=&line=&' \
      'specialarea=00&from=&welfare=#top' # url里面关乎页面跳转的数字我用{}占位，后面可以通过format函数动态替换
header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 '
                  'Safari/537.36',
    'Connection': 'keep-alive',
    }# header是为了把爬虫伪装的像是正常的访问。

#for循环结构，循环10次，也就是说爬取10页上面的职位链接
for i in range(11):
　　# 用requests库的get方法与服务器进行链接，返回一个requests.models.Response的类
    pageConnect = requests.get(url.format(i), headers=header)
　　#用chardet库的detect方法获取网页编码格式，返回的是dict字典，具体的编码格式在encoding这个键对应的值中
    pageConnect.encoding = chardet.detect(pageConnect.content)['encoding']
　　#设置好编码格式后，用text方法把Response这个类转化为字符串供beautifulSoup处理
    page = pageConnect.text
　　#使用BeautifulSoup函数把page字符串转化为一个BeautifulSoup对象，lxml是解析器的类型
    soup = BeautifulSoup(page, 'lxml')
　　#使用BeautifulSoup对象的select方法，可以用css选择器把存放有职位链接的a标签选出来
　　#每一个a标签都是放在class=el的div标签下class=t1的p标签下
    aLabel = soup.select('div.el > p.t1 a')
　　#每一个搜索结果页有50个职位，也就有50个a标签，通过for循环，获取每个a标签的title属性，href属性
　　#title属性存放了职位名称，我可以通过职位名称把不是我需要的职位链接筛选出去
　　#href属性存放了每一个职位的链接
    for each in aLabel:
　　　　　　#把这些信息存放到f也就是info.txt这个文本中
        print(each['title'], each['href']， file=f)

 

接着要做的就是爬取每一个链接页面上的职位要求了

代码如下

 import requests
 from bs4 import BeautifulSoup
 import chardet

 #打开我存放链接的文本，使用readlines方法读取文本内容，返回的是一个list列表，每一行为列表中的一项
 with open('info.txt') as info:
     link = info.readlines()
 #打开一个文本文件，存放抓取到的职位要求，编码格式设为utf-8
 job = open('job.txt', 'a', encoding='UTF-8')
 header = {
     'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 '
                   'Safari/537.36',
     'Connection': 'keep-alive',
     }
 
 for each in link:
　　　#info.txt中存放的信息是职位名 + 链接：Web前端开发工程师 https://*****　　
　　　#所以先对列表中的每一项，也就是说一个字符串调用find方法，搜索关键字http,返回的是一个整数，表示的是字符串中http开头h的索引值
     index = each.find('http')
　　　#利用这个索引值，可以获取字符串中链接的部分
     url = each[index:]
     pageConnect = requests.get(url, headers=header)
     pageConnect.encoding = chardet.detect(pageConnect.content)['encoding']
     page = pageConnect.text
     soup = BeautifulSoup(page, 'lxml')
　　　#所有的职位要求是放在一个div中，它的样式类为class=bmsg job_msg inbox,div中的p标签包含具体的信息，返回的是一个list列表
     div = soup.select('div.bmsg.job_msg.inbox p')
　　　#经过测试发现，最后2个p标签存放着关键字，所以去掉
     jobInfo = div[:-2]
     for eachInfo in jobInfo:
　　　　　#每个列表项存放着如<p>***</P>的bs4.element.Tag，要获取其中文字部分，要使用.string方法
     　　print(eachInfo.string, file=job)

 

最后job.txt中存放着我抓取到的所有职位要求，但是我不可能一条一条的去看，所以借助jieba这个库进行分词

import jieba

with open('job.txt', encoding='utf-8') as job:
    info = job.readlines()
for eachLine in info:
    for eachWord in jieba.cut(eachLine):
        print(eachWord)

 

为了节省时间，分词结果直接打印出来，然后复制到excel表中，使用数据透视表统计一下，最后整理结果如下

这是一个非常简陋的小项目，不过它也实现了我的目标。