Python爬虫实战之（二）| 寻找你的招聘信息

作者：xiaoyu
微信公众号：Python数据科学
知乎：Python数据分析师

---

最近总被智联招聘广发骚扰，烦死个人了简直。索性点进去看了看爬虫工程师现在市场需求到底怎么样了？发展前景如何？看完了之后感觉目前还不错，根据北京来看职位需求还是蛮多的，薪资也还行，于是就对智联招聘职位信息的爬取发起了一次小小的挑战，今天给大家分享一个爬取招聘网站的工作信息，效果图如下（部分截图）。

(更多效果图在后面)

功能需求分析

主要功能需求如下：

• 用户输入工作地点和感兴趣的职位信息；
• 根据指定输入信息进行多线程的网页爬取；
• 解析提取结构化的招聘信息；
• 将数据存入指定的数据库；

这里由于篇幅和时间原因，功能并没有那么复杂，但是博主会在后续加入更加丰富的功能，并与大家分享，包括：

• ip池的加入;
• 爬取和解析效率的优化；
• 对爬取数据进行数据分析，提供可视化的统计和简单预测；
• 其它反爬功能;

功能实现分析

明白了要完成的任务，就需要开始分析我们的目标网站了。

1.网页爬取分析

打开智联招聘的搜索界面，输入 “爬虫” 二字为例， 如下：

然后我们通过fiddler抓包工具抓取浏览器操作时的信息如下：

• 职位信息输入后看到这个请求是 GET 模式，GET 请求的链接是
  http://sou.zhaopin.com/jobs/s...
• 浏览器发出请求的headers头信息，copy到代码headers中。

由于浏览器正常操作下是通过点击“搜索按钮”或者“回车”来进行职位搜索的，而我们并不希望使用浏览器内核webdriver的使用来解决此问题。

因此，思路是：我们需要从发出的GET请求的URL进行分析。

在浏览器中显示的URL是这样子的，有汉字。

• “北京” 和 “爬虫” 关键词都以汉字形式显示。感觉这和上面蓝色的链接差不多一样啊！没错，上面的URL是北京和爬虫关键字进行编码之后的样子，而我们向服务器提交的正是上面那个编码之后的URL。
• 后面 “p=1” 的意思是第一页，“adv=0” 经其它数字测试后没有影响，固不做改变。

好了，捋明白了。我们需要做的其实就是将我们输入的关键词汉字进行编码，然后替换掉上面蓝色URL的lj=“”和kw=“”中的内容，再用这个新的URL发出请求就OK了。

2.网页解析分析

这是浏览器搜索之后得到的结果，从招聘信息中我们希望得到一些有用的信息。博主这里定义了五个字段信息：职位名称、反馈率、公司名称、职位月薪、工作地点。这些信息关系到你如何创建数据库表单，后面会提到。

这里博主决定使用BeautifulSoup方法解决网页的解析，那么先用F12 element看看网页的结构再说。

博主经分析后发现，其它四个信息提取方式都是一样的，但是工作名称的标签结构是有所不同的，为什么呢？

来，先看一条数据的标签，它是这样的：

再看，另一条数据的标签，是这样的：

发现有什么不同了吗？第一个工作名称的标签里有，而第二个标签里什么都没有。

看看上面这两个名称不难发现，导致这个问题的原因其实是关键字的存在（第一个标签中有红色关键字）。

而又想到，我们正常搜索的时候一般不会输入完整的工作名称，比如我只输入 “爬虫” 二字，由于可能存在以上关键字的问题，那么标签的结果就会不同。因此，我们需要在代码解析的时候进行特殊处理，下面进行代码实现分析。

代码实现分析

由于需要将解析后的数据存入数据库，因此需要先在命令窗口创建一个数据库（也可以在Python中完成），这里简单提一下所需的操作。

• 使用了MySQL数据库进行储存
• 数据库表单包含了之前提到的五个字段信息

下面是具体代码的实现。

1.URL的重组实现

• 使用了property修饰器定了函数来接收用户信息
• 将输入信息用quote进行编码重组，生成爬取所需的目标URL

2.html下载

• 将重新生成的URL放入函数中进行html的下载。

3.html解析

• 使用BeautifulSoup和正则表达式从网页解析五个字段信息。

4. 储存解析数据

以上是代码的核心内容，完整源码博主已经上传到Github上了，可供参考，链接https://github.com/xiaoyusmd/...

更多效果图展示

展示效果图均为部分截图，用于示意。

（搜索关键词：广告策划，地理位置：北京）

（搜索关键词：电子工程师，地理位置：上海）

（搜索关键词：会计，地理位置：深圳）

（搜索关键词：客户经理，地理位置：广州）

总结

• 本篇分享了一个从智联招聘网站爬取工作信息的实战内容，完成了需求的基本功能。
• 在此实战内容基础上，更多复杂和精彩功能会在后续陆续分享

欢迎关注微信公众号Python数据科学。