【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~
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。
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\n # 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！
.
