Selenium&Chrome实战:动态爬取51job招聘信息
一、概述
Selenium自动化测试工具，可模拟用户输入,选择,提交。
爬虫实现的功能:
- 输入python,选择地点:上海,北京 ---->就去爬取上海,北京2个城市python招聘信息
- 输入会计,选择地址:广州,深圳,杭州---->就去爬取广州,深圳,杭州3个城市会计招聘信息
- 根据输入的不同，动态爬取结果
二、页面分析
输入关键字
selenium怎么模拟用户输入关键字,怎么选择城市,怎么点击搜索按钮？
Selenium模拟用户输入关键字，谷歌浏览器右键输入框,点检查,查看代码
通过selenium的find_element_by_id 找到 id = 'kwdselectid'，然后send_keys('关键字')即可模拟用户输入
代码为:
textElement = browser.find_element_by_id('kwdselectid') textElement.send_keys('python')
选择城市
selenium模拟用户选择城市--- (这个就难了,踩了很多坑)
点击城市选择,会弹出一个框
然后选择:北京,上海, 右键检查，查看源代码
可以发现:value的值变成了"北京+上海"
那么是否可以用selenium找到这个标签,更改它的属性值为"北京+上海"，可以实现选择城市呢？
答案:不行,因为经过自己的几次尝试,发现真正生效的是下面的"010000,020000"，这个是什么？城市编号，也就是说在输入"北京+上海"，实际上输入的是:"010000,020000", 那这个城市编号怎么来的,这个就需要去爬取51job弹出城市选择框那个页面了,页面代码里面有城市对应的编号
获取城市编号
getcity.py代码:
from selenium import webdriver from selenium.webdriver.chrome.options import Options import json # 设置selenium使用chrome的无头模式 chrome_options = Options() chrome_options.add_argument("--headless") # 在启动浏览器时加入配置 browser = webdriver.Chrome(options=chrome_options) cookies = browser.get_cookies() browser.delete_all_cookies() browser.get('https://www.51job.com/') browser.implicitly_wait(20) # 找到城市选择框,并模拟点击 button = browser.find_element_by_xpath("//div[@class='ush top_wrap']//div[@class='el on']/p\ [@class='addbut']//input[@id='work_position_input']").click() # 选中城市弹出框 browser.current_window_handle # 定义一个空字典 dic = {} # 找到城市,和对应的城市编号 find_city_elements = browser.find_elements_by_xpath("//div[@id='work_position_layer']//\ div[@id='work_position_click_center_right_list_000000']//tbody/tr/td") for element in find_city_elements: number = element.find_element_by_xpath("./em").get_attribute("data-value") # 城市编号 city = element.find_element_by_xpath("./em").text # 城市 # 添加到字典 dic.setdefault(city, number) print(dic) # 写入文件 with open('city.txt', 'w', encoding='utf8') as f: f.write(json.dumps(dic, ensure_ascii=False)) browser.quit()
执行输出：
{'北京': '010000', '上海': '020000', '广州': '030200', '深圳': '040000', '武汉': '180200', '西安': '200200', '杭州': '080200', '南京': '070200', '成都': '090200', '重庆': '060000', '东莞': '030800', '大连': '230300', '沈阳': '230200', '苏州': '070300', '昆明': '250200', '长沙': '190200', '合肥': '150200', '宁波': '080300', '郑州': '170200', '天津': '050000', '青岛': '120300', '济南': '120200', '哈尔滨': '220200', '长春': '240200', '福州': '110200'}
通过selenium的find_element_by_xpath 找到城市编号这个input，然后读取city.txt文件，把对应的城市替换为城市编号，在用selenium执行js代码,就可以加载城市了---代码有点长,完整代码写在后面
selenium模拟用户点击搜索
通过selenium的find_element_by_xpath 找到 这个button按钮，然后click() 即可模拟用户点击搜索
代码为:
browser.find_element_by_xpath("//div[@class='ush top_wrap']/button").click()
以上都是模拟用户搜索的行为,下面就是对数据提取规则
先定位总页数：158页
找到每个岗位详细的链接地址:
最后定位需要爬取的数据
岗位名,薪水,公司名,招聘信息,福利待遇,岗位职责,任职要求,上班地点,工作地点 这些数据，总之需要什么数据，就爬什么
需要打开岗位详细的链接，比如：https://jobs.51job.com/shanghai-mhq/118338654.html?s=01&t=0
三、完整代码
代码介绍
新建目录51cto-selenium，结构如下：
./
├── get51Job.py
├── getcity.py
└── mylog.py
文件说明：
getcity.py (首先运行)获取城市编号,会生成一个city.txt文件
mylog.py 日志程序,记录爬取过程中的一些信息
get51Job.py 爬虫主程序，里面包含:
Item类 定义需要获取的数据
GetJobInfo类 主程序类
getBrowser方法 设置selenium使用chrome的无头模式,打开目标网站,返回browser对象
userInput方法 模拟用户输入关键字,选择城市,点击搜索，返回browser对象
getUrl方法 找到所有符合规则的url，返回urls列表
spider方法 提取每个岗位url的详情，返回items
getresponsecontent方法 接收url,打开目标网站，返回html内容
piplines方法 处理所有的数据，保存为51job.txt
getPageNext方法 找到总页数，并获取下个页面的url,保存数据，直到所有页面爬取完毕
getcity.py
# ！/usr/bin/python3 # -*- coding: utf-8 -*- #!/usr/bin/env python # coding: utf-8 from selenium import webdriver from selenium.webdriver.chrome.options import Options import json # 设置selenium使用chrome的无头模式 chrome_options = Options() chrome_options.add_argument("--headless") # 在启动浏览器时加入配置 browser = webdriver.Chrome(options=chrome_options) cookies = browser.get_cookies() browser.delete_all_cookies() browser.get('https://www.51job.com/') browser.implicitly_wait(20) # 找到城市选择框,并模拟点击 button = browser.find_element_by_xpath("//div[@class='ush top_wrap']//div[@class='el on']/p\ [@class='addbut']//input[@id='work_position_input']").click() # 选中城市弹出框 browser.current_window_handle # 定义一个空字典 dic = {} # 找到城市,和对应的城市编号 find_city_elements = browser.find_elements_by_xpath("//div[@id='work_position_layer']//\ div[@id='work_position_click_center_right_list_000000']//tbody/tr/td") for element in find_city_elements: number = element.find_element_by_xpath("./em").get_attribute("data-value") # 城市编号 city = element.find_element_by_xpath("./em").text # 城市 # 添加到字典 dic.setdefault(city, number) print(dic) # 写入文件 with open('city.txt', 'w', encoding='utf8') as f: f.write(json.dumps(dic, ensure_ascii=False)) browser.quit()
get51Job.py
# ！/usr/bin/python3 # -*- coding: utf-8 -*- from selenium import webdriver from selenium.webdriver.chrome.options import Options from mylog import MyLog as mylog import json import time import requests from lxml import etree class Item(object): job_name = None # 岗位名 company_name = None # 公司名 work_place = None # 工作地点 salary = None # 薪资 release_time = None # 发布时间 job_recruitment_details = None # 招聘岗位详细 job_number_details = None # 招聘人数详细 company_treatment_details = None # 福利待遇详细 practice_mode = None # 联系方式 class GetJobInfo(object): """ the all data from 51job.com 所有数据来自前程无忧招聘网 """ def __init__(self): self.log = mylog() # 实例化mylog类,用于记录日志 self.startUrl = 'https://www.51job.com/' # 爬取的目标网站 self.browser = self.getBrowser() # 设置chrome self.browser_input = self.userInput(self.browser) # 模拟用户输入搜索 self.getPageNext(self.browser_input) # 找到下个页面 def getBrowser(self): """ 设置selenium使用chrome的无头模式 打开目标网站 https://www.51job.com/ :return: browser """ try: # 创建chrome参数对象 chrome_options = Options() # 把chrome设置成无界面模式,不论windows还是linux都可以，自动适配对应参数 chrome_options.add_argument("--headless") # 在启动浏览器时加入配置 browser = webdriver.Chrome(options=chrome_options) # 利用selenium打开网站 browser.get(self.startUrl) # 等待网站js代码加载完毕 browser.implicitly_wait(20) except Exception as e: # 记录错误日志 self.log.error('打开目标网站失败:{},错误代码:{}'.format(self.startUrl, e)) else: # 记录成功日志 self.log.info('打开目标网站成功:{}'.format(self.startUrl)) # 返回实例化selenium对象 return browser def userInput(self, browser): """ 北京 上海 广州 深圳 武汉 西安 杭州 南京 成都 重庆 东莞 大连 沈阳 苏州 昆明 长沙 合肥 宁波 郑州 天津 青岛 济南 哈尔滨 长春 福州 只支持以上城市,输入其它则无效 最多可选5个城市,每个城市用 , 隔开(英文逗号) :return:browser """ time.sleep(1) # 用户输入关键字搜索 search_for_jobs = input("请输入职位搜索关键字:") # 用户输入城市 print(self.userInput.__doc__) select_city = input("输入城市信息,最多可输入5个,多个城市以逗号隔开:") # 找到51job首页上关键字输入框 textElement = browser.find_element_by_id('kwdselectid') # 模拟用户输入关键字 textElement.send_keys(search_for_jobs) # 找到城市选择弹出框，模拟选择"北京,上海,广州,深圳,杭州" button = browser.find_element_by_xpath("//div[@class='ush top_wrap']\ //div[@class='el on']/p[@class='addbut']//input[@id='jobarea']") # 打开城市对应编号文件 with open("city.txt", 'r', encoding='utf8') as f: city_number = f.read() # 使用json解析文件 city_number = json.loads(city_number) new_list = [] # 判断是否输入多值 if len(select_city.split(',')) > 1: for i in select_city.split(','): if i in city_number.keys(): # 把城市替换成对应的城市编号 i = city_number.get(i) new_list.append(i) # 把用户输入的城市替换成城市编号 select_city = ','.join(new_list) else: for i in select_city.split(','): i = city_number.get(i) new_list.append(i) select_city = ','.join(new_list) # 执行js代码 browser.execute_script("arguments[0].value = '{}';".format(select_city), button) # 模拟点击搜索 browser.find_element_by_xpath("//div[@class='ush top_wrap']/button").click() self.log.info("模拟搜索输入成功,获取目标爬取title信息:{}".format(browser.title)) return browser def getPageNext(self, browser): # 找到总页数 str_sumPage = browser.find_element_by_xpath("//div[@class='p_in']/span[@class='td'][1]").text sumpage = '' for i in str_sumPage: if i.isdigit(): sumpage += i # sumpage = 1 self.log.info("获取总页数:{}".format(sumpage)) s = 1 while s <= int(sumpage): urls = self.getUrl(self.browser) # 获取每个岗位的详情 self.items = self.spider(urls) # 数据下载 self.pipelines(self.items) # 清空urls列表,获取后面的url(去重,防止数据重复爬取) urls.clear() s += 1 self.log.info('开始爬取第%d页' % s) # 找到下一页的按钮点击 # NextTag = browser.find_element_by_partial_link_text("下一页").click() NextTag = browser.find_element_by_class_name('next').click() # 等待加载js代码 browser.implicitly_wait(20) time.sleep(3) self.log.info('获取所有岗位成功') # browser.quit() def getUrl(self, browser): # 创建一个空列表,用来存放所有岗位详情的url urls = [] # 创建一个特殊招聘空列表 job_urls = [] # 获取所有岗位详情url Elements = browser.find_elements_by_xpath("//div[@class='j_joblist']//div[@class='e']") for element in Elements: try: url = element.find_element_by_xpath("./a").get_attribute("href") title = element.find_element_by_xpath('./a/p/span[@class="jname at"]').get_attribute('title') except Exception as e: self.log.error("获取岗位详情失败,错误代码:{}".format(e)) else: # 排除特殊的url，可单独处理 src_url = url.split('/')[3] if src_url == 'sc': job_urls.append(url) self.log.info("获取不符合爬取规则的详情成功:{},添加到job_urls".format(url)) else: urls.append(url) self.log.info("获取详情成功:{},添加到urls".format(url)) return urls def spider(self, urls): # 数据过滤,爬取需要的数据,返回items列表 items = [] for url in urls: htmlcontent = self.getreponsecontent(url) html_xpath = etree.HTML(htmlcontent) item = Item() # 岗位名 job_name = html_xpath.xpath("normalize-space(//div[@class='cn']/h1/text())") item.job_name = job_name # 公司名 company_name = html_xpath.xpath("normalize-space(//div[@class='cn']\ /p[@class='cname']/a/text())") item.company_name = company_name # 工作地点 work_place = html_xpath.xpath("normalize-space(//div[@class='cn']\ //p[@class='msg ltype']/text())").split('|')[0].strip() item.work_place = work_place # 薪资 salary = html_xpath.xpath("normalize-space(//div[@class='cn']/strong/text())") item.salary = salary # 发布时间 release_time = html_xpath.xpath("normalize-space(//div[@class='cn']\ //p[@class='msg ltype']/text())").split('|')[-1].strip() item.release_time = release_time # 招聘岗位详细 job_recruitment_details_tmp = html_xpath.xpath("//div[@class='bmsg job_msg inbox']//text()") if not job_recruitment_details_tmp: break item.job_recruitment_details = '' ss = job_recruitment_details_tmp.index("职能类别：") ceshi = job_recruitment_details_tmp[:ss - 1] for i in ceshi: item.job_recruitment_details = item.job_recruitment_details + i.strip() + '\n' # 招聘人数详细 job_number_details_tmp = html_xpath.xpath("normalize-space(//div[@class='cn']\ //p[@class='msg ltype']/text())").split('|') item.job_number_details = '' for i in job_number_details_tmp: item.job_number_details = item.job_number_details + ' ' + i.strip() # 福利待遇详细 company_treatment_details_tmp = html_xpath.xpath("//div[@class='t1']//text()") item.company_treatment_details = '' for i in company_treatment_details_tmp: item.company_treatment_details = item.company_treatment_details + ' ' + i.strip() # 联系方式 practice_mode_tmp = html_xpath.xpath("//div[@class='bmsg inbox']/p//text()") item.practice_mode = '' for i in practice_mode_tmp: item.practice_mode = item.practice_mode + ' ' + i.strip() items.append(item) return items def getreponsecontent(self, url): # 接收url,打开目标网站,返回html fakeHeaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 \ (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36'} try: response = requests.get(url=url,headers=fakeHeaders) # 利用apparent_encoding,自动设置编码 response.encoding = response.apparent_encoding html = response.text except Exception as e: self.log.error(u'Python 返回 url:{} 数据失败\n错误代码:{}\n'.format(url, e)) else: self.log.info(u'Python 返回 url:{} 数据成功\n'.format(url)) time.sleep(1) # 1秒返回一个结果 手动设置延迟防止被封 return html def pipelines(self, items): # 接收一个items列表 # 数据下载 filename = u'51job.txt' with open(filename, 'a', encoding='utf-8') as fp: for item in items: fp.write('job_name:{}\ncompany_name:{}\nwork_place:{}\nsalary:\ {}\nrelease_time:{}\njob_recruitment_details:{}\njob_number_details:\ {}\ncompany_treatment_details:\{}\n\ practice_mode:{}\n\n\n\n' \ .format(item.job_name, item.company_name, item.work_place, item.salary, item.release_time,item.job_recruitment_details, item.job_number_details, item.company_treatment_details, item.practice_mode)) self.log.info(u'岗位{}保存到{}成功'.format(item.job_name, filename)) if __name__ == '__main__': st = GetJobInfo()
mylog.py
# ！/usr/bin/python3 # -*- coding: utf-8 -*- import logging import getpass import sys # 定义MyLog类 class MyLog(object): def __init__(self): self.user = getpass.getuser() # 获取用户 self.logger = logging.getLogger(self.user) self.logger.setLevel(logging.DEBUG) # 日志文件名 self.logfile = sys.argv[0][0:-3] + '.log' # 动态获取调用文件的名字 self.formatter = logging.Formatter('%(asctime)-12s %(levelname)-8s %(message)-12s\r\n') # 日志显示到屏幕上并输出到日志文件内 self.logHand = logging.FileHandler(self.logfile, encoding='utf-8') self.logHand.setFormatter(self.formatter) self.logHand.setLevel(logging.DEBUG) self.logHandSt = logging.StreamHandler() self.logHandSt.setFormatter(self.formatter) self.logHandSt.setLevel(logging.DEBUG) self.logger.addHandler(self.logHand) self.logger.addHandler(self.logHandSt) # 日志的5个级别对应以下的5个函数 def debug(self, msg): self.logger.debug(msg) def info(self, msg): self.logger.info(msg) def warn(self, msg): self.logger.warning(msg) def error(self, msg): self.logger.error(msg) def critical(self, msg): self.logger.critical(msg) if __name__ == '__main__': mylog = MyLog() mylog.debug(u"I'm debug 中文测试") mylog.info(u"I'm info 中文测试") mylog.warn(u"I'm warn 中文测试") mylog.error(u"I'm error 中文测试") mylog.critical(u"I'm critical 中文测试")
运行程序
需要先运行getcity.py,获取城市编号,运行结果如下
{'北京': '010000', '上海': '020000', '广州': '030200', '深圳': '040000', '武汉': '180200', '西安': '200200', '杭州': '080200', '南京': '070200', '成都': '090200', '重庆': '060000', '东莞': '030800', '大连': '230300', '沈阳': '230200', '苏州': '070300', '昆明': '250200', '长沙': '190200', '合肥': '150200', '宁波': '080300', '郑州': '170200', '天津': '050000', '青岛': '120300', '济南': '120200', '哈尔滨': '220200', '长春': '240200', '福州': '110200'}
在运行主程序get51Job.py
关键字输入: python
城市选择:上海
pycharm运行截图:
生成的文件51job.txt截图
根据输入结果的不同，爬取不同的信息,利用selenium可以做到动态爬取
注意：如果遇到51job页面改版，本程序运行会报错。请根据实际情况，修改对应的爬虫规则。
