概述
不知从何时起，Python和爬虫就如初恋一般，情不知所起，一往而深，相信很多朋友学习Python，都是从爬虫开始，其实究其原因，不外两方面：其一Python对爬虫的支持度比较好，类库众多。其二Pyhton的语法简单，入门容易。所以两者形影相随，不离不弃，本文主要以一个简单的小例子，简述Python在爬虫方面的简单应用，仅供学习分享使用，如有不足之处，还请指正。
涉及知识点
本例主要爬取51job发布的工作职位，用到的知识点如下：
- 开发环境及工具：主要用到Python3.7 ，IDE为PyCharm
- requests类库：本类库封装了python的内置模块，主要用于网络的请求和获取数据，可以支持不同形式的请求。
- BeautifulSoup库：主要用于解析获取的数据，包括Html，Xml，Json等不同的格式。
- 数据持久化：主要是将内存中的数据，保存到数据库或者文件中。
爬虫的基本步骤
爬虫的基本步骤，如下图所示：
爬取目标
如有要爬取相关内容，首先要对爬取的目标进行分析，了解其目录结构，才能进行解析。本例主要爬取51job中的工作列表，如下所示：
核心源码
1.获取数据
定义一个函数get_data，用于发起请求并获取数据，如下所示：
headers中的User-Agent主要用于模拟浏览器，不然会被反爬虫程序屏蔽，http状态码为418,意思是被网站的反爬程序返回的。
encoding是要爬取的网站的编码为gbk，如果不加，会产生乱码，默认为utf-8
1 def get_data(req_url): 2 """获取数据""" 3 headers = { 4 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko', 5 'Accept-Language': 'zh-Hans-CN, zh-Hans;q=0.5' 6 } 7 resp = requests.get(req_url, headers=headers) 8 resp.encoding = 'gbk' # 不加会产生中文乱码 9 if resp.status_code == 200: 10 return resp.text 11 else: 12 return None
2.解析数据
定义一个函数parse_data，用于解析获取到的内容，如下所示：
采用BeautifulSoup，将返回的文本，解析成html对象，并获取对应的内容。本例主要获取工作的列表
1 def parse_data(resp_html): 2 """解析数据,并返回列表""" 3 soup = BeautifulSoup(resp_html, features='html.parser') 4 job_table = soup.find('div', attrs={'class': 'dw_table'}) 5 # print(job_table) 6 job_list = job_table.find_all('div', attrs={'class': 'el'}) 7 # print(job_list) 8 # 循环列表，去掉第一个title和最后一个 9 res_list = [] 10 for job in job_list[1: -1]: 11 job_name = job.find('p', attrs={'class': "t1"}).find('span').find('a').get_text() 12 job_name = job_name.replace('\r\n', '').strip() 13 job_company = job.find('span', attrs={'class': "t2"}).find('a').get_text() 14 job_addr = job.find('span', attrs={'class': "t3"}).get_text() 15 job_salary = job.find('span', attrs={'class': "t4"}).get_text() 16 job_time = job.find('span', attrs={'class': "t5"}).get_text() 17 # print('工作信息：', job_name, '---', job_company, '---', job_addr, '---', job_salary, '---', job_time) 18 res_item = { 19 '工作名称': job_name, 20 '公司': job_company, 21 '工作地址': job_addr, 22 '薪资水平': job_salary, 23 '发布时间': job_time 24 } 25 res_list.append(res_item) 26 return res_list
3.保存数据
定义一个函数save_data，用于将获取到的内容保存到json文件中，如下所示：
with函数 可以自动进行释放。因包含中文，所以json文件的编码为utf-8，否则会出现乱码
1 def save_data(res_list): 2 """保存数据""" 3 with open('jobs.json', 'w', encoding='utf-8') as f: 4 res_list_json = json.dumps(res_list, ensure_ascii=False) 5 f.write(res_list_json)
4.整体调用步骤
依次调用定义的三个函数，如下所示：
1 if __name__ == '__main__': 2 """如果是主程序自己调用""" 3 req_url = 'https://search.51job.com/list/040000,000000,0000,00,9,99,java,2,1.html?lang=c&stype=1&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=' 4 # 获取数据 5 resp_html = get_data(req_url) 6 # print(html) 7 # 解析数据 8 res_list = parse_data(resp_html) 9 # 保存数据 10 save_data(res_list)
爬取结果展示
爬取的结果保存在jobs.json文件中，如下所示：
1 [ 2 { 3 "工作名称": "Java架构师", 4 "公司": "深圳市钻木信息技术有限公司", 5 "工作地址": "深圳-福田区", 6 "薪资水平": "1.8-3万/月", 7 "发布时间": "06-13" 8 }, 9 { 10 "工作名称": "Java实习生 6k起", 11 "公司": "深圳市智玩创新科技有限公司", 12 "工作地址": "深圳-福田区", 13 "薪资水平": "6-8千/月", 14 "发布时间": "06-13" 15 }, 16 { 17 "工作名称": "Java实习生6k起", 18 "公司": "深圳市康姆达科技有限公司", 19 "工作地址": "深圳-南山区", 20 "薪资水平": "6-8千/月", 21 "发布时间": "06-13" 22 }, 23 { 24 "工作名称": "Java开发工程师", 25 "公司": "深圳市网新新思软件有限公司", 26 "工作地址": "深圳-南山区", 27 "薪资水平": "1.5-1.7万/月", 28 "发布时间": "06-13" 29 }, 30 { 31 "工作名称": "Java开发工程师", 32 "公司": "深圳市睿服科技有限公司", 33 "工作地址": "深圳-福田区", 34 "薪资水平": "1.3-1.7万/月", 35 "发布时间": "06-13" 36 }, 37 { 38 "工作名称": "Java开发经理", 39 "公司": "深圳市聚惠企业登记代理有限公司", 40 "工作地址": "深圳-龙华新区", 41 "薪资水平": "1-3万/月", 42 "发布时间": "06-13" 43 }, 44 { 45 "工作名称": "高级JAVA", 46 "公司": "深圳易加油信息科技有限公司", 47 "工作地址": "深圳-南山区", 48 "薪资水平": "1.5-2.1万/月", 49 "发布时间": "06-13" 50 }, 51 { 52 "工作名称": "Java高级开发工程师", 53 "公司": "深圳市绿联科技有限公司", 54 "工作地址": "深圳-龙华新区", 55 "薪资水平": "2-3万/月", 56 "发布时间": "06-13" 57 }, 58 { 59 "工作名称": "Java开发工程师", 60 "公司": "深圳市博悦科创科技有限公司", 61 "工作地址": "深圳-南山区", 62 "薪资水平": "1-1.5万/月", 63 "发布时间": "06-13" 64 }, 65 { 66 "工作名称": "Java高级开发工程师", 67 "公司": "易普森智慧健康科技（深圳）有限公...", 68 "工作地址": "深圳", 69 "薪资水平": "1.5-2.5万/月", 70 "发布时间": "06-13" 71 }, 72 { 73 "工作名称": "Java开发工程师", 74 "公司": "深圳易世通达科技有限公司", 75 "工作地址": "深圳-南山区", 76 "薪资水平": "1.2-1.8万/月", 77 "发布时间": "06-13" 78 }, 79 { 80 "工作名称": "Java开发工程师", 81 "公司": "苏州今融加科技有限公司", 82 "工作地址": "深圳-福田区", 83 "薪资水平": "1.5-2万/月", 84 "发布时间": "06-13" 85 }, 86 { 87 "工作名称": "Java后端开发工程师", 88 "公司": "深圳市长隆科技有限公司", 89 "工作地址": "深圳-龙岗区", 90 "薪资水平": "1.5-2万/月", 91 "发布时间": "06-13" 92 }, 93 { 94 "工作名称": "Java开发工程师", 95 "公司": "深圳市元诺智能系统有限公司", 96 "工作地址": "深圳-龙华新区", 97 "薪资水平": "1-1.5万/月", 98 "发布时间": "06-13" 99 }, 100 { 101 "工作名称": "java 有物流类经验", 102 "公司": "深圳市欧恩德技术有限公司", 103 "工作地址": "深圳-罗湖区", 104 "薪资水平": "0.8-1.1万/月", 105 "发布时间": "06-13" 106 }, 107 { 108 "工作名称": "Java开发工程师-2020校园招聘", 109 "公司": "金蝶软件（中国）有限公司", 110 "工作地址": "深圳-南山区", 111 "薪资水平": "0.8-1.6万/月", 112 "发布时间": "06-13" 113 }, 114 { 115 "工作名称": "Java高级开发工程师", 116 "公司": "丰疆智能科技股份有限公司", 117 "工作地址": "深圳-南山区", 118 "薪资水平": "2.5-3万/月", 119 "发布时间": "06-13" 120 }, 121 { 122 "工作名称": "JAVA软件开发工程师", 123 "公司": "深圳市吉星时代科技有限公司", 124 "工作地址": "深圳-龙岗区", 125 "薪资水平": "2-3万/月", 126 "发布时间": "06-13" 127 }, 128 { 129 "工作名称": "JAVA 高级软件工程师", 130 "公司": "相通网络技术有限公司", 131 "工作地址": "深圳-福田区", 132 "薪资水平": "1.5-3万/月", 133 "发布时间": "06-13" 134 }, 135 { 136 "工作名称": "JAVA开发工程师（接受应届生）", 137 "公司": "深圳市智岩科技有限公司", 138 "工作地址": "深圳-南山区", 139 "薪资水平": "0.8-1万/月", 140 "发布时间": "06-13" 141 }, 142 { 143 "工作名称": "Java后台开发工程师", 144 "公司": "深圳市炬驰科技发展有限公司", 145 "工作地址": "深圳", 146 "薪资水平": "1-1.5万/月", 147 "发布时间": "06-13" 148 }, 149 { 150 "工作名称": "Java开发工程师", 151 "公司": "深圳市韶音科技有限公司", 152 "工作地址": "深圳-宝安区", 153 "薪资水平": "0.8-1万/月", 154 "发布时间": "06-13" 155 }, 156 { 157 "工作名称": "JAVA 开发工程师", 158 "公司": "深圳市优博讯科技股份有限公司", 159 "工作地址": "深圳-南山区", 160 "薪资水平": "1-1.5万/月", 161 "发布时间": "06-13" 162 }, 163 { 164 "工作名称": "Java开发工程师", 165 "公司": "深圳市有豆科技有限公司", 166 "工作地址": "深圳-宝安区", 167 "薪资水平": "1.8-3万/月", 168 "发布时间": "06-13" 169 }, 170 { 171 "工作名称": "Saas平台架构师（Java方向）", 172 "公司": "深圳市智布互联纺织科技有限公司", 173 "工作地址": "深圳-南山区", 174 "薪资水平": "1.7-2.5万/月", 175 "发布时间": "06-13" 176 }, 177 { 178 "工作名称": "Java开发实习生", 179 "公司": "云软科技", 180 "工作地址": "深圳-宝安区", 181 "薪资水平": "6-9千/月", 182 "发布时间": "06-13" 183 }, 184 { 185 "工作名称": "Java高级开发工程师", 186 "公司": "深圳市阿尔法智汇科技有限公司", 187 "工作地址": "深圳-宝安区", 188 "薪资水平": "2-4万/月", 189 "发布时间": "06-13" 190 }, 191 { 192 "工作名称": "Java 全栈开发工程师", 193 "公司": "深圳市杰纳斯科技有限公司", 194 "工作地址": "深圳-宝安区", 195 "薪资水平": "1-3.5万/月", 196 "发布时间": "06-13" 197 }, 198 { 199 "工作名称": "中高级java工程师", 200 "公司": "北京联创智融信息技术有限公司", 201 "工作地址": "深圳-福田区", 202 "薪资水平": "1.3-1.8万/月", 203 "发布时间": "06-13" 204 }, 205 { 206 "工作名称": "Java开发工程师", 207 "公司": "得实信息科技（深圳）有限公司", 208 "工作地址": "深圳-南山区", 209 "薪资水平": "0.6-1万/月", 210 "发布时间": "06-13" 211 }, 212 { 213 "工作名称": "Java开发工程师", 214 "公司": "深圳市联创科技集团有限公司", 215 "工作地址": "深圳-龙岗区", 216 "薪资水平": "1-1.5万/月", 217 "发布时间": "06-13" 218 }, 219 { 220 "工作名称": "中级JAVA(J13824)", 221 "公司": "银雁科技服务集团股份有限公司", 222 "工作地址": "深圳-福田区", 223 "薪资水平": "1-1.5万/月", 224 "发布时间": "06-13" 225 }, 226 { 227 "工作名称": "java工程师", 228 "公司": "深圳市安思疆科技有限公司", 229 "工作地址": "深圳-南山区", 230 "薪资水平": "0.8-1.6万/月", 231 "发布时间": "06-13" 232 }, 233 { 234 "工作名称": "JAVA 高级开发工程师", 235 "公司": "汇才保险代理（深圳）有限公司", 236 "工作地址": "深圳-罗湖区", 237 "薪资水平": "1.5-2万/月", 238 "发布时间": "06-13" 239 }, 240 { 241 "工作名称": "Java高级开发工程师（直连）", 242 "公司": "深圳市天泰国际航空旅行社有限公司...", 243 "工作地址": "深圳", 244 "薪资水平": "2-4万/月", 245 "发布时间": "06-13" 246 }, 247 { 248 "工作名称": "JAVA工程师", 249 "公司": "深圳市开度贸易有限公司", 250 "工作地址": "深圳-南山区", 251 "薪资水平": "0.8-1.2万/月", 252 "发布时间": "06-13" 253 }, 254 { 255 "工作名称": "后台开发Leader（JAVA方向）", 256 "公司": "深圳金世纪保险经纪有限公司", 257 "工作地址": "深圳-福田区", 258 "薪资水平": "3-4万/月", 259 "发布时间": "06-13" 260 }, 261 { 262 "工作名称": "Java开发工程师", 263 "公司": "深圳市中深力人力资源管理有限公司...", 264 "工作地址": "深圳-南山区", 265 "薪资水平": "1-1.5万/月", 266 "发布时间": "06-13" 267 }, 268 { 269 "工作名称": "Java高级开发工程师", 270 "公司": "研祥高科技控股集团有限公司", 271 "工作地址": "深圳-光明新区", 272 "薪资水平": "0.9-1.8万/月", 273 "发布时间": "06-13" 274 }, 275 { 276 "工作名称": "Java（证券不加班）", 277 "公司": "上海华腾软件系统有限公司", 278 "工作地址": "深圳-福田区", 279 "薪资水平": "1.8-2.2万/月", 280 "发布时间": "06-13" 281 }, 282 { 283 "工作名称": "Java高级开发工程师", 284 "公司": "深圳大美商业地产管理有限公司", 285 "工作地址": "深圳-福田区", 286 "薪资水平": "1.5-2万/月", 287 "发布时间": "06-13" 288 }, 289 { 290 "工作名称": "资深/高级Java工程师", 291 "公司": "未来穿戴（深圳）有限公司", 292 "工作地址": "深圳-南山区", 293 "薪资水平": "3-4万/月", 294 "发布时间": "06-13" 295 }, 296 { 297 "工作名称": "Java高级开发工程师", 298 "公司": "深圳市太阳星通信科技有限公司", 299 "工作地址": "深圳-南山区", 300 "薪资水平": "0.8-1.5万/月", 301 "发布时间": "06-13" 302 }, 303 { 304 "工作名称": "Java高级开发工程师", 305 "公司": "深圳市蓝鹰立德软件咨询有限公司", 306 "工作地址": "深圳-南山区", 307 "薪资水平": "1.5-1.8万/月", 308 "发布时间": "06-13" 309 }, 310 { 311 "工作名称": "JAVA（高级、架构）", 312 "公司": "深圳市几米物联有限公司", 313 "工作地址": "深圳-宝安区", 314 "薪资水平": "2.2-3.2万/月", 315 "发布时间": "06-13" 316 }, 317 { 318 "工作名称": "JAVA开发工程师", 319 "公司": "江苏康尚生物医疗科技有限公司", 320 "工作地址": "深圳-宝安区", 321 "薪资水平": "1-1.5万/月", 322 "发布时间": "06-13" 323 }, 324 { 325 "工作名称": "java架构师", 326 "公司": "深圳市泓齐网络科技有限公司", 327 "工作地址": "深圳", 328 "薪资水平": "1.5-1.8万/月", 329 "发布时间": "06-13" 330 }, 331 { 332 "工作名称": "Java开发工程师", 333 "公司": "深圳市智璟科技有限公司", 334 "工作地址": "深圳-福田区", 335 "薪资水平": "0.9-1.5万/月", 336 "发布时间": "06-13" 337 }, 338 { 339 "工作名称": "Java开发工程师", 340 "公司": "上海舟恩信息技术有限公司", 341 "工作地址": "深圳-南山区", 342 "薪资水平": "1.4-1.9万/月", 343 "发布时间": "06-13" 344 } 345 ]
进一步思考
本例可以进一步优化的空间，如下所示：
- 本次爬虫只是单次爬取，数据量相对小，如果要爬取大量数据的时候，则需要使用多线程相关的知识。
- 基础的爬虫，只能爬取静态渲染的内容，如果是异步动态渲染的数据，如何爬取呢？
- 将爬取的结果保存到数据库如何操作呢？
备注
芙蓉楼送辛渐
[唐]王昌龄
寒雨连江夜入吴，平明送客楚山孤。
洛阳亲友如相问，一片冰心在玉壶。