python爬虫-抓取BOSS直聘python岗位招聘信息

最近忙着找工作，想了解一下用人单位的招聘要求，以爬取boss直聘的招聘信息作为参考。这里记录一下的爬取流程，并不作为其它用途！

 

分析页面结构

 

• 通过分析页面，发现招聘的详细信息都在详情页（如下图），故通过详情页来提取招聘内容

   

  

 

设计爬虫策略

 

 

1. 通过列表页获取详细页的url地址，然后存入到url队列中，发现列表页有10页，这里使用多线程提高爬取效率；

2. 通过url队列中的详情页url地址得到详情页的html内容，采用xpath解析，提取招聘信息，以字典形式存入data队列中，这里也采用多线程；

3. 将data队列中的数据保存为json文件，这里每保存的一个json文件都是一个列表页所有的招聘信息。

    

页面请求方式的判断

 

• 不难发现，这里是通过get请求并添加查询字符串获取指定页面的；

• 查询字符串参数的含义：query=python表示搜索的职位，page=1表示列表页的页码，ka=page-1这个没用到可以忽略掉；

• 对应的代码如下：

• 

• 通过列表页获取详情页url

   

  

• 这里通过xpath语法@href获取a标签href属性值，拿到详细页url地址，代码如下：

解析详情页的数据

 

 

 

保存数据为json文件

• 通过xpath解析数据，然后将数据存储为字典放到队列中，代码如下：

代码如下：

json数据示例

其它

 

1. div中存在
   标签，xpath无法获取div标签中所有的文本内容(如下图)：

    

   

• 解决办法：拿到html文本后，提前通过正则表达式剔除该标签

• 核心代码如下：

• 

2.当爬取速度过快时，会被封ip，这里将多线程改为单线程版，并使用time.sleep降低爬取速度。

为了帮助大家更轻松的学好Python，我给大家分享一套Python学习资料，帮助大家在成为Python高手的道路上披荆斩棘

需要这份资料，那么帮忙点个赞扫一扫【爬虫】