Python批量爬取简历

文章目录

  • 前言
  • 一、需求
  • 二、分析
    • 1. 查看网页源码(ctrl+u)
    • 2、进一步分析
  • 三、处理
  • 四、运行效果


前言

为了更好的掌握数据处理的能力,因而开启Python网络爬虫系列小项目文章。

  1. 小项目小需求驱动,每篇文章会使用两种以上的方式(Xpath、Bs4、PyQuery、正则)获取想要的数据。
  2. 博客系列完结后,将会总结各种方式。

一、需求

  1. 批量爬取简历
  2. 下载到本地文件中

二、分析

1. 查看网页源码(ctrl+u)

Python批量爬取简历_第1张图片

网页源码中有各简历下载模板地址,如下图。

Python批量爬取简历_第2张图片

2、进一步分析

进入具体简历模板页面

Python批量爬取简历_第3张图片

F12进行抓包 ,分析点击免费下载的具体流程。

Python批量爬取简历_第4张图片

分析接口
https://www.51386.com/jlmb/3860.html?act=reply
https://www.51386.com/jlmb/3860.html?act=succ(页面返回下载资源)
https://oss.51386.com/3860.doc?Expires=1667648595&OSSAccessKeyId=OpPa5NVGTtEGvNCR&Signature=KAMPsVBwfE6p1g0OZbvdSEDuwl0%3D(最后下载资源的请求路径)

Python批量爬取简历_第5张图片

分析js文件
https://img.51386.com/1802/head.js(ip统计来控制下载次数)

Python批量爬取简历_第6张图片

三、处理

获取简历模板url

from pyquery import PyQuery as pq
INDEX_URL = "https://www.51386.com/"

def get_download_url(code):
    doc = pq(code)
    # 通过-jlmblist class属性获取简历url
    content = doc(".jlmblist")
    resume_dict = {}
    for resume in content.items():
        title = resume("a").attr("title")
        url = resume("a").attr("href")
        # 这里拼接了直接形成第二个接口https://www.51386.com/jlmb/3860.html?act=suc
        resume_dict[title] = f"{INDEX_URL}{url}?act=succ"
    return resume_dict

下载简历

import requests
import re

def get_resume_url(url):
    headers ={
        "referer": "https://www.51386.com/jlmb/4020.html?act=down"
    }
    res = requests.request("GET", url, headers=headers)
    # print(res.text)
    # 正则拿到oss下载资源
    try:
        deal = re.compile(r'"color:#08c" href="(?P.*?)">点击这里',re.S)
        result = deal.search(res.text)
        oss_url = result.group("oss_url")
    except Exception as e:
        print(f"正则获取oss_url失败,{e}")
    return oss_url

整体代码

# -*- encoding:utf-8 -*-
__author__ = "Nick"
__created_date__ = "2022/10/21"

"""
待补充
1、下载受限(统计ip来控制下载)---代理IP
"""

import requests
from pyquery import PyQuery as pq
import re


HEADER = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36"}
INDEX_URL = "https://www.51386.com/"

# 获取页面源码
def get_index_code(url):
    res = requests.request("GET",url=url, headers=HEADER)
    res.encoding = "utf-8"
    return res.text


# 获取简历下载地址
def get_download_url(code):
    doc = pq(code)
    content = doc(".jlmblist")
    resume_dict = {}
    for resume in content.items():
        title = resume("a").attr("title")
        url = resume("a").attr("href")
        resume_dict[title] = f"{INDEX_URL}{url}?act=succ"
    return resume_dict


# 获取简历下载地址oss_url
def get_resume_url(url):
    headers ={
        "referer": "https://www.51386.com/jlmb/4020.html?act=down"
    }
    res = requests.request("GET", url, headers=headers)
    # print(res.text)
    # 正则拿到oss下载资源
    try:
        deal = re.compile(r'"color:#08c" href="(?P.*?)">点击这里',re.S)
        result = deal.search(res.text)
        oss_url = result.group("oss_url")
    except Exception as e:
        print(f"正则获取oss_url失败,{e}")
    return oss_url



# 下载简历
def get_download_resume(url,name):
    if url:
        res = requests.get(url,headers=HEADER).content
        f = open(f"resume/{name}.doc",'wb')
        f.write(res)
        f.close()
    else:
        print("oss资源获取失败")



if __name__ == '__main__':
    code = get_index_code(url="https://www.51386.com/jlmb/")
    resume_dict = get_download_url(code)
    try:
        for title, url in resume_dict.items():
            oss_url = get_resume_url(url)
            get_download_resume(oss_url,title,ip_dict)
    except Exception as e:
        print(e)



四、运行效果

Python批量爬取简历_第7张图片

你可能感兴趣的:(网络爬虫,python)