保姆级爬虫教程：利用python爬取“实习网”信息，立马帮朋友找到合适的实习工作

暑假来临，好多小伙伴都在找暑期实习吧？前几天，朋友弟弟，想在暑假期间找个实习工作锻炼自己，可是面对网络上几千条实习招聘信息，简直让人头大。随后朋友向我发出了“请求帮助”的信息，我了解了大致情况后，立马用爬虫爬取了实习网的的信息，将数据结果发了过去，问题分分钟解决。这请我吃一顿饭不过分吧？

这篇爬虫实战教程，不仅适合新手练习爬虫，也适合需要找实习信息的朋友！
希望在看了这篇文章后，能够清晰的知道整个爬虫流程，并且能够独立自主的完成，其次，能够通过自己的爬虫实战，获取自己想要的信息。

好了，话不多说，咱们就开始吧！
内容主要分为三大部分：
1、页面分析
2、爬虫步骤详解

一、目标页面分析

首先，我们应该要知道自己的爬虫目标是个什么东西吧？俗话说，知己知彼，百战不殆。我们已经知道自己要爬取的页面是“实习网”，所以，咱们首先得去实习网看看，都有些什么数据。
实习网址：https://www.shixi.com/search/...
页面如下：

例如我们要找的岗位是“品牌运营”岗位的数据。因此直接在网页的搜索框输入品牌运营就行了。你会发现url发生了变化！

注意：我们要爬取的页面就是这页：https://www.shixi.com/search/...品牌运营
在我们的爬取页面中，我们需要观察有哪些数据，并且一个页面中有几条数据。这个非常重要，关系到后面的代码编写，以及可以帮你检查，是否爬取到了页面的所有信息。

此时，我们要注意的是，我们所在的页面是“一级页面”，在浏览过程中，我们 点击随意一个岗位进入后呈现的是“二级页面”，此时你也会发现url又发生了变化。
例如，我们点一个品牌运营实习，二级页面就会自动跳转成这样，产生一个新的链接。如图：

要爬取页面上的那些信息呢？

我们在分析过程中发现，有些信息是在一级页面中，有些是在二级页面中。
在一级页面中，我们可以获取那些信息呢？如图所示：

总共有五条有效数据：职位、公司名、学历、薪资、地址

在二级页面中，我们来看看可以获取什么有效数据，领域和规模，阶段如果你觉得重要的话，也可以纳入爬虫范围，但是我个人认为，这并不影响实习，毕竟不是找正式工作，影响不会很大，反而是招聘实习生的数量更为重要，这里并未显示招聘人数，无法在图片上呈现，后续可加上。

到这里，我们一共需要抓取7个数据，加上“人数”一共8个数据，这也就是我们爬虫的最终目标数据。

爬取“静态”网页

这里分析下什么叫静态网页，什么叫动态网页。静态网页，随着html代码的生成，页面的内容和显示效果就基本上不会发生变化了--除非你修改页面代码。而动态网页则不然，页面代码虽然没有变，但是显示的内容却是可以随着时间、环境或者数据库操作的结果而发生改变的。

它们的区别就在于：静态网页中的数据，是一劳永逸，也就是说一次性给你。动态网页中的数据，是随着页面一步步加载出来，而逐步呈现的，也就是你用静态网页的爬虫技术，无法获取到其中所有的数据。

值得强调的是，不要将动态网页和页面内容是否有动感混为一谈。这里说的动态网页，与网页上的各种动画、滚动字幕等视觉上的动态效果没有直接关系，动态网页也可以是纯文字内容的，也可以是包含各种动画的内容，这些只是网页具体内容的表现形式，无论网页是否具有动态效果，只要是采用了动态网站技术生成的网页都可以称为动态网页。

点击 “鼠标右键”，点击 “查看网页源代码”，最终效果如图（部分截图）：

这就是，最终反馈给你的数据，如果你发现自己想要的数据都在这里面，那么就可以说是静态页面，如若不然，则考虑为“动态页面”。
今天这里的案例是静态网页。

大家知道，在写代码之前要先知道，我们要用哪些方式，哪些库，哪些模块去帮你解析数据。常见用来解析数据的方法有：re正则表达式、xpath、beatifulsoup、pyquery等。
我们需要用到的是xpath解析法来分析定位数据。

二、爬虫代码讲解

1、导入相关库

爬虫的第一步是要考虑好，爬虫过程中需要用到哪些库，要知道python是一个依赖于众多库的语言，没有库的Python是不完整的。

import pandas as pd # 用于数据存储
import requests # 用于请求网页
import chardet # 用于修改编码
import re # 用于提取数据
from lxml import etree # 解析数据的库
import time # 可以粗糙模拟人为请求网页的速度
import warnings # 忽略代码运行时候的警告信息
warnings.filterwarnings("ignore")

2、请求一级页面的网页源代码

url = 'https://www.shixi.com/search/index?key=品牌运营&districts=&education=0&full_opportunity=0&stage=0&practice_days=0&nature=0&trades=&lang=zh_cn'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'}
rqg = requests.get(url, headers=headers, verify=False) ①
rqg.encoding = chardet.detect(rqg.content)['encoding'] ②
html = etree.HTML(rqg.text)

这里我们要注意①②两个地方。在①处，有两个参数，一个是headers一个是verify。其中headers是一种反反扒的措施，让浏览器认为爬虫不是爬虫，而是人在用浏览器去正常请求网页。verify是忽略安全证书提示，有的网页会被认为是一个不安全的网页，会提示你，这个参数你记住就行。

在②处，我们已经获取到了网页的源码。但是由于网页源代码的编码方式和你所在电脑的解析方式，有可能不一致，返回的结果会导致乱码。此时，你就需要修改编码方式，chardet库可以帮你自动检测网页源码的编码。（一个很好用的检测文档编码的三方库chardet）

3、解析一级页面网页中的信息

# 1. 公司名
company_list = html.xpath('//div[@class="job-pannel-list"]//div[@class="job-pannel-one"]//a/text()')
company_list = [company_list[i].strip() for i in range(len(company_list)) if i % 2 != 0]

# 2. 岗位名
job_list = html.xpath('//div[@class="job-pannel-list"]//div[@class="job-pannel-one"]//a/text()')
job_list = [job_list[i].strip() for i in range(len(job_list)) if i % 2 == 0]

# 3. 地址
address_list = html.xpath('//div[@class="job-pannel-two"]//a/text()')

# 4. 学历
degree_list = html.xpath('//div[@class="job-pannel-list"]//dd[@class="job-des"]/span/text()')

# 5. 薪资
salary_list = html.xpath('//div[@class="job-pannel-two"]//div[@class="company-info-des"]/text()')
salary_list = [i.strip() for i in salary_list]

4、获取二级页面的链接

deep_url_list = html.xpath('//div[@class="job-pannel-list"]//dt/a/@href')
x = "https://www.shixi.com"
deep_url_list = [x + i for i in deep_url_list]

此时，你可以看到，我直接采用xpath一个个去解析一级页面中的数据分析。在代码末尾，可以看到：我们获取到了二级页面的链接，为我们后面爬取二级页面中的信息，做准备。

解析二级页面网页中的信息
demand_list = []
area_list = []
scale_list = []

for deep_url in deep_url_list:

rqg = requests.get(deep_url, headers=headers, verify=False) ①
rqg.encoding = chardet.detect(rqg.content)['encoding'] ②
html = etree.HTML(rqg.text) ③

# 6. 招聘人数
demand = html.xpath('//div[@class="container-fluid"]//div[@class="intros"]/span[2]/text()')

# 7. 公司领域
area = html.xpath('//div[@class="container-fluid"]//div[@class="detail-intro-title"]//p[1]/span/text()')

# 8. 公司规模
scale = html.xpath('//div[@class="container-fluid"]//div[@class="detail-intro-title"]//p[2]/span/text()')

demand_list.append(demand)
area_list.append(area)
scale_list.append(scale)

要注意的是，二级页面也是页面，在爬取其中的数据时，也需要请求页面。所以，①②③处的代码，都是一模一样的。

5、翻页操作

https://www.shixi.com/search/...
https://www.shixi.com/search/...
https://www.shixi.com/search/...

随意复制几个不同页面的url，观察它们的区别。这里可以看到，也就page参数后面的数字不同，是第几页，数字就是几。

x = "https://www.shixi.com/search/index?key=数据分析&page="
url_list = [x + str(i) for i in range(1,21)] 

由于我们爬取了20页 的数据，这里就构造出了20个url，他们都存在url_list这个列表中。

我们现在来看看整个代码吧，我就不再文字叙述了，直接在代码中写好了注释。

import pandas as pd
import requests
import chardet
import re
from lxml import etree
import time
import warnings
warnings.filterwarnings("ignore")

def get_CI(url):
# 请求获取一级页面的源代码 
    url = 'https://www.shixi.com/search/index?key=品牌运营&districts=&education=0&full_opportunity=0&stage=0&practice_days=0&nature=0&trades=&lang=zh_cn'
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'}
    rqg = requests.get(url, headers=headers, verify=False)
    rqg.encoding = chardet.detect(rqg.content)['encoding']
    html = etree.HTML(rqg.text)
    
    # 获取一级页面中的信息：一共有5个信息。
    # ①公司名
    company_list = html.xpath('//div[@class="job-pannel-list"]//div[@class="job-pannel-one"]//a/text()')
    company_list = [company_list[i].strip() for i in range(len(company_list)) if i % 2 != 0]

    #②岗位名
    job_list = html.xpath('//div[@class="job-pannel-list"]//div[@class="job-pannel-one"]//a/text()')
    job_list = [job_list[i].strip() for i in range(len(job_list)) if i % 2 == 0]
    
    #③地址
    address_list = html.xpath('//div[@class="job-pannel-two"]//a/text()')
    
    # ④ 学历
    degree_list = html.xpath('//div[@class="job-pannel-list"]//dd[@class="job-des"]/span/text()')
    
    
    # ⑤薪资
    salary_list = html.xpath('//div[@class="job-pannel-two"]//div[@class="company-info-des"]/text()')
    salary_list = [i.strip() for i in salary_list]

    # ⑥获取二级页面的内容
    deep_url_list = html.xpath('//div[@class="job-pannel-list"]//dt/a/@href')
    x = "https://www.shixi.com"
    deep_url_list = [x + i for i in deep_url_list]
    
    demand_list = []
    area_list = []
    scale_list = []

# 获取二级页面中的信息：
    for deep_url in deep_url_list:
        rqg = requests.get(deep_url, headers=headers, verify=False)
        rqg.encoding = chardet.detect(rqg.content)['encoding']
        html = etree.HTML(rqg.text)
        
        #① 需要几人
        demand = html.xpath('//div[@class="container-fluid"]//div[@class="intros"]/span[2]/text()')
        
        # ②公司领域
        area = html.xpath('//div[@class="container-fluid"]//div[@class="detail-intro-title"]//p[1]/span/text()')

        # ③公司规模
        scale = html.xpath('//div[@class="container-fluid"]//div[@class="detail-intro-title"]//p[2]/span/text()')
        
        demand_list.append(demand)
        area_list.append(area)
        scale_list.append(scale)
     
    # ④ 将每个页面获取到的所有数据，存储到DataFrame中。
    data = pd.DataFrame({'公司名':company_list,'岗位名':job_list,'地址':address_list,"学历":degree_list,
                         '薪资':salary_list,'岗位需求量':demand_list,'公司领域':area_list,'公司规模':scale_list})
    return(data)

x = "https://www.shixi.com/search/index?key=数据分析&page="
url_list = [x + str(i) for i in range(1,61)] 

res = pd.DataFrame(columns=['公司名','岗位名','地址',"学历",'薪资','岗位需求量','公司领域','公司规模'])

# 这里进行“翻页”操作
for url in url_list:
    res0 = get_CI(url)
    res = pd.concat([res,res0])
    time.sleep(3)

# 保存数据
res.to_csv('aliang.csv',encoding='utf_8_sig')

这样一套下来，爬虫的思路是不是瞬间清晰明了？眼睛：我会了！手：我还是不会。得多加练习啊。初学者不要急于求成，项目不在多，在精。踏踏实实吃透一个远比看会十个更有效。
想要获取源代码的小火伴们，点赞+评论，私聊哦~