前程无忧python爬虫

前程无忧python爬虫

实践要求做一个数据分析以及处理的实验，我负责的是爬取数据的这一块任务。做爬虫的话，python是比较好用的，于是学习了一小段时间，专门学着写了一个小爬虫。爬取的是一些静态网页上的内容。

环境

语言：python 3.8
工具：PyCharm 2019
操作系统：win10

前言

我主要学习的是C++，对于python语言并没有学习过，但是就爬虫这一块，我去了解的时候发现，并没有什么多大的障碍。
就我的了解，python做爬虫实际上也是使用封装好的模块做。所以掌握一些基本的语法即可。

准备

1. python下载
   去官网上下载对应环境的版本安装即可。
   python下载地址
2. 编辑器ide（pycharm）下载
   同样的可以去官网上下载安装，如果只是简单用的话，社区版本即可。
   pycharm下载地址

实际上pycharm自带的有python解释器。这个具体在新建项目的时候可以选择对应想用的python解释器。
当然这样下来，所需要的模块是不存在的。
也可以去下载那种集成了所有开发所需要的开发包，模块和python解释器都弄好了的。

所需要用到的模块：

• requests
• lxml（主要是用其中的etree，xpath），或者是re（正则表达式）
• csv（最后把爬取到的结果存入excel表格）

如果不是集成开发包的话，需要自己安装对应的模块，那么安装命令一般是：

pip install xxx

爬取前程无忧网页数据

由于我之前自己写过一个小型简单的服务器，加上我接触过web项目，所以对于前端页面数据的一些概念是有基础的。
在参考爬虫资料时，我印象最为深刻的就是将爬虫就说成是模仿浏览器的行为。
对于输入url，然后显示网页在网络中的过程可以参考计算机网络。

那么我们先导入需要的模块：

import requests
from lxml import etree
import csv

既然是模仿浏览器，那么我们需要一个网址是吧，实际上就是url。这个url代表的是我们要爬取哪个网页。

url = 'https://search.51job.com/list/000000,000000,0000,00,9,99,{},2,1.html?'.format(job)

爬虫脱离不了那你想要爬取网页本身，开发过程中可以一边对着网页F12，一边撸码。
找到想要爬取的网页，在浏览器中找到url，可以分析出网页的一些特点，比如说，想要爬虫的岗位、页数在url中是哪个位置，如何变化，这些都是有规律的。

上面代码中job是一个变量，用于输入一个想要爬取的岗位。
有了url，主要用到的就是requests中的get方法。

response = requests.get(url)

这个方法返回到response，如果我们输出的话，会打印200，200是成功的状态码。
获取页面:response.text
当然，我们最好转换一下。

html = etree.HTML(response.text)

这个时候的html跟我们在浏览器F12出来的html源码别无二样，那里面的数据只要我们提取出来不就OK了吗？
爬虫实际上就是在一堆源码中提取想要的数据，并且在代码中实现反复提取。

requests模块基本上就使用完了，接下来就是怎么提取的问题。
一般有两种，一种是xpath，一种是正则表达式。

我主要用的是xpath。
在想要网页中F12选中想要的元素可以查看其在源码中的位置。这个时候，我们就容易去获取（静态网页是如此）。

我们要爬取前程无忧某一个岗位的所有相关信息。比如说，C++，有900多页。
那么我们需要将900多页中我们需要的数据都爬取下来，可以写成一个for循环，也就是说，我们只需要爬取一页，对应的，同样的模版也能爬取900多页，90000多页。

比如下面这个页面：

关于C++岗位有900多页。我们要写for循环之前需要知道具体岗位的页数，所以我们选中页面中想要的元素，如下图：

我们可以看到，919在一个标签中的value属性中。
我们可以使用xpath很轻松的获取这个value属性的值，如下：

sum_page = html.xpath('//div[@class="dw_page"]/div/div/div/input[@id="hidTotalPage"]/@value')[0]

• “//”意思是，（我的理解）选中的第一个标签，一般来说选一个源码中唯一的，有独特属性的。
• “/”就是下一个节点。
• “@”就是取哪一个属性。
  最后[0]的意思是，xpath返回的是一个列表。我们需要取其中的元素，用数组思考即可。
  获取到sum_page之后还是一个字符串，python中转换：

sum_page = int(sum_page)

基本上核心的东西就是这么多，非常简单。接着就可以愉快的爬取了。

最后数据的持久化可以存成excel表格，也可以存入数据库中。
excel表格即是导入csv模块，操作文件，参考最后源码。

在这个过程中所遇到的问题以及一些想说的总结

1. 在爬取过程中，写入excel的情况下，如果源网页上提取的数据中本身就有一些是不符规则的，就会造成写入失败，程序就会终止。
   比如说一些乱码字符啥的。这个时候一种解决方法是在写入的代码中这样处理：

with open(temp1 + '.csv', 'a', newline='', encoding='gbk', errors='ignore') as f1:

解释下：a是每次写都追加写，newline=’'是消除写入时的空行，encoding是编码问题，errors='ignore’就是在遇到错误时忽略。

2. 在爬取的过程中如果不考虑多种情况的话，会出现比如说要爬取一个网页中的链接，紧接着要进入这个链接，爬取这个链接页面的数据。如果在前程无忧原网站维护时，突然将某个链接页面直接弄成是公司招聘官网，而不是前程无忧自己的网页就会出现错误，程序终止，解决方法：

public_str = 'https://jobs.51job.com/'
#str(new_url).find(public_str)
print(str(new_url).find(public_str) >= 0)
if(str(new_url).find(public_str) >= 0):

加一个判断。如果不是前程无忧自己的网页，就跳过。

3. 在爬取公司对岗位要求时，想要的元素全在一个标签属性中。
   我的一个解决方法是，分别取返回的列表中的对应的元素，如下:

company_info = new_html.xpath('//div[@class="tCompany_sidebar"]/div/div/p/@title')
company_nature = company_info[0]
company_size = company_info[1]
company_scope = company_info[2]

有些返回的字符串中可能有空格，python去除空格方法：

experience = experience.strip() #去除左右两边的空格

4. 对于获取到的一个页面的所有岗位链接，对应的是一个岗位的公司信息，目前我还没有做到将岗位信息和公司信息整合在一起。也就是说我爬取到一个页面的所有岗位链接之后，再用一个for循环爬取每一个链接对应的公司信息，存入公司信息表。
   这个过程，我要打开每一个链接，爬取再进行写入。

5. 对于数据，到后面都是具体要求是C++,岗位却不是C++，所以这种大多都是无效数据。

6. 前程无忧并没有任何的反爬措施，比如请求头，或者是封IP。

源码

import requests
from lxml import etree
import csv

print("hello world")
job = input('输入想要爬取的岗位:\n')

temp = r'C:\Users\10184\Desktop' + '\\' + job + "公司信息"
temp1 = r'C:\Users\10184\Desktop' + '\\' + job + "岗位信息"

with open(temp + '.csv', 'a', newline='', encoding='gbk') as f:
    csvwriter = csv.writer(f, dialect='excel')
    csvwriter.writerow(['公司名称','工作经验','学历要求','公司性质','公司规模','经营范围'])

with open(temp1 + '.csv', 'a', newline='', encoding='gbk') as f1:
    csvwriter1 = csv.writer(f1, dialect='excel')
    csvwriter1.writerow(['岗位名称','公司名称','公司地址','薪资','发布时间','链接'])
#url = 'https://search.51job.com/list/000000,000000,0000,00,9,99,C%252B%252B,2,1.html?'
url = 'https://search.51job.com/list/000000,000000,0000,00,9,99,{},2,1.html?'.format(job)
response = requests.get(url)
html = etree.HTML(response.text)
sum_page = html.xpath('//div[@class="dw_page"]/div/div/div/input[@id="hidTotalPage"]/@value')[0]

sum_page = int(sum_page)
print(sum_page)
start_page = input('请输入你想要开始爬取的页数：\n')
start_page = int(start_page)

for i in range(start_page, sum_page):
    #url = 'https://search.51job.com/list/000000,000000,0000,00,9,99,C%252B%252B,2,{}.html?'.format(i)
    url = 'https://search.51job.com/list/000000,000000,0000,00,9,99,{},2,{}.html?'.format(job, i)
    response = requests.get(url)
    response.encoding = 'gbk' # 编码格式
    # response.encoding = response.apparent_encoding # 自动转换编码格式
    response1 = response.text
    # print(response.text)
    html = etree.HTML(response1) # 将网页源代码转换成elements格式，好用xpath。

    job_name = html.xpath('//div[@id="resultList"]/div[@class="el"]/p/span/a/@title')
    #print(job_name)
    company = html.xpath('//div[@id="resultList"]/div[@class="el"]/span[@class="t2"]/a/@title')
    #print(company)

    link = html.xpath('//div[@id="resultList"]/div[@class="el"]/p/span/a/@href')
    #print(link)
    #new_url = link
    for linki in link:
        new_url = linki
        print(new_url)
        public_str = 'https://jobs.51job.com/'
        #str(new_url).find(public_str)
        print(str(new_url).find(public_str) >= 0)
        if(str(new_url).find(public_str) >= 0):
            new_response = requests.get(new_url)
            new_response.encoding = new_response.apparent_encoding
            new_html = etree.HTML(new_response.text)
            company_name = new_html.xpath('//div[@class="tHeader tHjob"]/div/div/p[@class="cname"]/a[@class="catn"]/@title')[0]
            experience = new_html.xpath('//div[@class="tHeader tHjob"]/div/div/p[@class="msg ltype"]/text()')[1]
            degree = new_html.xpath('//div[@class="tHeader tHjob"]/div/div/p[@class="msg ltype"]/text()')[2]
            company_info = new_html.xpath('//div[@class="tCompany_sidebar"]/div/div/p/@title')
            company_nature = company_info[0]
            company_size = company_info[1]
            company_scope = company_info[2]
            #for a, b in zip(experience, degree):
                #print(a, b)
            #print(experience.strip()) #去除左右两边的空格
            #print(degree.strip())
            #print(company_name)
            experience = experience.strip()
            degree = degree.strip()
            print([company_name, experience, degree, company_nature, company_size, company_scope])
            print(i)
            with open(temp+'.csv', 'a', newline='', encoding='gbk', errors='ignore') as f:
                csvwriter = csv.writer(f, dialect='excel')
                #csvwriter.writerow(['工作名字','公司名字',''])
                csvwriter.writerow([company_name, experience, degree, company_nature, company_size, company_scope])

    adrees = html.xpath('//div[@id="resultList"]/div[@class="el"]/span[@class="t3"]/text()')# text()取本文
    #print(adrees)
    salary = html.xpath('//div[@id="resultList"]/div[@class="el"]/span[@class="t4"]/text()')
    #print(salary)
    time = html.xpath('//div[@id="resultList"]/div[@class="el"]/span[@class="t5"]/text()')



    for a,b,c,d,e,f in zip(job_name, company, adrees, salary, time, link):
        print(a, b, c, d, e, f)
        with open(temp1 + '.csv', 'a', newline='', encoding='gbk', errors='ignore') as f1:
            csvwriter1 = csv.writer(f1, dialect='excel')
            csvwriter1.writerow([a, b, c, d, e, f])

---