Python使用BeautifulSoup爬取网页信息

简单爬取网页信息的思路一般是

1、查看网页源码

2、抓取网页信息

3、解析网页内容

4、储存到文件

 

现在使用BeautifulSoup解析库来爬取刺猬实习Python岗位薪资情况

 

一、查看网页源码

 

 这部分是我们需要的内容，对应的源码为：

 

 

 分析源码，可以得知：

1、岗位信息列表在<section class="widget-job-list">中

2、每条信息在<article class="widget item">中

3、对于每条信息，我们需要提取出的内容是 公司名称，职位， 薪资

 

二、抓取网页信息

使用request.get()抓取，返回的soup是网页的文本信息

def get_one_page(url):
    response = requests.get(url)
    soup = BeautifulSoup(response.text, "html.parser")
    return soup

 

三、解析网页内容

 

1、找到起始位置<section>

2、在<article>中匹配到各项信息

3、返回信息列表用以存储

def parse_page(soup):
    #待存储的信息列表
    return_list = []
    #起始位置
    grid = soup.find('section', attrs={"class": "widget-job-list"})
    if grid:
        #找到所有的岗位列表
        job_list = soup.find_all('article', attrs={"class": "widget item"})

        #匹配各项内容
        for job in job_list:
            #find()是寻找第一个符合的标签
            company = job.find('a', attrs={"class": "crop"}).get_text().strip()#返回类型为string，用strip（）可以去除空白符，换行符
            title = job.find('code').get_text()
            salary = job.find('span', attrs={"class": "color-3"}).get_text()
            #将信息存到列表中并返回
            return_list.append(company + " " + title + " " + salary)
    return return_list

  

四、存储到文件

将列表信息存储到shixi.csv文件中

def write_to_file(content):
    #以追加的方式打开，设置编码格式防止乱码
    with open("shixi.csv", "a", encoding="gb18030")as f:
        f.write("\n".join(content))

 

五、爬取多页信息

在网页url中 可以看到最后的page代表的是页数信息

所以在main方法中传入一个page，然后循环运行main(page)就可以爬取多页信息了

def main(page):
    url = 'https://www.ciweishixi.com/search?key=python&page=' + str(page)
    soup = get_one_page(url)
    return_list = parse_page(soup)
    write_to_file(return_list)


if __name__ == "__main__":
    for i in range(4):
        main(i)

 

六、运行结果

 

 

七、完整代码

import requests
import re
from bs4 import BeautifulSoup


def get_one_page(url):
    response = requests.get(url)
    soup = BeautifulSoup(response.text, "html.parser")
    return soup


def parse_page(soup):
    #待存储的信息列表
    return_list = []
    #起始位置
    grid = soup.find('section', attrs={"class": "widget-job-list"})
    if grid:
        #找到所有的岗位列表
        job_list = soup.find_all('article', attrs={"class": "widget item"})

        #匹配各项内容
        for job in job_list:
            #find()是寻找第一个符合的标签
            company = job.find('a', attrs={"class": "crop"}).get_text().strip()#返回类型为string，用strip（）可以去除空白符，换行符
            title = job.find('code').get_text()
            salary = job.find('span', attrs={"class": "color-3"}).get_text()
            #将信息存到列表中并返回
            return_list.append(company + " " + title + " " + salary)
    return return_list


def write_to_file(content):
    #以追加的方式打开，设置编码格式防止乱码
    with open("shixi.csv", "a", encoding="gb18030")as f:
        f.write("\n".join(content))


def main(page):
    url = 'https://www.ciweishixi.com/search?key=python&page=' + str(page)
    soup = get_one_page(url)
    return_list = parse_page(soup)
    write_to_file(return_list)


if __name__ == "__main__":
    for i in range(4):
        main(i)