【爬虫系列】Python爬虫实战--招聘网站的职位信息爬取

一、分析

1. 需求分析

从网上找工作，大家一般都会通过各种招聘网站去检索相关信息，今天利用爬虫采集招聘网站的职位信息，比如岗位名称，岗位要求，薪资，公司名称，公司规模，公司位置，福利待遇等最为关心的内容。在采集和解析完成后，使用 Excel 或 csv 文件保存。

2. 目标网页结构的分析

以 "智联招聘" PC 端网页为例，搜索和打开该网站，并进行账密登陆（主要是为了避免 Session 访问限制）。接着，选择目标城市，并搜索与 Python 相关的职位信息，网站会返回相关招聘职位信息的分页结果，如图所示：

通过简单的验证，可以发现当前网页不存在动态渲染，也不存在严格的反爬虫机制。

那么，就从第一页开始分析。通过【F12】打开 Google 浏览器的控制台，通过【元素】栏可快速定位到职位列表所在的位置（即 class 为 positionlist 的 div 标签），然后拿该列表下的其中一个“class=joblist-box__item clearfix” 的 div 标签分析，需要的招聘信息基本都在它下面的3个 div 标签内，如下：

 如果使用 CSS 选择器的话，定位到职位列表，可以这样做：

soup.find_all('div', class_='joblist-box__item clearfix')

对于需求分析中所说的目标数据，则需要进一步展开元素标签，都可以找到具体的位置，如下：

 这里才到了最关键的地方，即解析出目标数据，以当前这条招聘信息为例，可以这样做：

# 岗位名称
soup.select("div[class='iteminfo__line1__jobname'] > span[class='iteminfo__line1__jobname__name']")[0].get_text().strip()
# 公司名称
soup.select("div[class='iteminfo__line1__compname'] > span")[0].get_text().strip()
# 薪资
soup.select("div[class='iteminfo__line2__jobdesc'] > p")[0].get_text().strip()
# 公司位置
soup.select("div[class='iteminfo__line2__jobdesc'] > ul[class='iteminfo__line2__jobdesc__demand']")[0].get_text().strip().split(" ")[0]

如果遍历第一页的所有招聘信息，在循环中把 select(xxx)[0] 换成 select(xxx)[i] 就可以了。

3. 分页分析

实际上，我们不止会爬取第一页数据，根据情况会需要指定爬取页数，或者爬取所有页。此时，就得寻找请求 URL 的规律了，第一页的 URL 为：

https://sou.zhaopin.com/?jl=653&kw=Python

点击第二页，第三页.....一直到最后一页，URL变化为：

https://sou.zhaopin.com/?jl=653&kw=Python&p=1
https://sou.zhaopin.com/?jl=653&kw=Python&p=2
......
https://sou.zhaopin.com/?jl=653&kw=Python&p=6

这样就可以找到明显的规律，我们把第一页的 URL 也按这种方式拼接一个 &p=1，得到的结果与第一页是一样的。因此，通过这个参数 p 就可以控制爬取的页数。

那爬取所有页呢，该如何判断当前页到了最后一页了？经分析发现，分页区域在 "class=pagination clearfix" 的 div 标签内，准确点说是在 "class=pagination__pages" 的 div 标签内，如下所示：

点击到第3页，仍无法区分最后一页的标识，当尝试点击到最后一页（第6页）时，就可以看到不同了，下一页的 div 会多出一个class属性，如下所示：

此时，利用这个明显的特征，可以这样写解析表达式，轻松定位到最后一页：

soup.select("div[class='pagination__pages'] > button[class='btn soupager__btn soupager__btn--disable']")

只要判断出 last_page 是否为空值即可，为空说明不是最后一页。经过上述的一番分析，对该招聘网站页面的爬取解析似乎已胸有成竹了。

接下来，选择 request + BeautifulSoup + CSS 选择器的技术方案，实现我们的爬虫目标。

二、代码实现

1. 主体方法的实现

思路如下：

• 拼接请求的 url，发起 get 请求（支持分页操作），返回响应码为200的话，循环获取 html 网页源代码；
• 将 html 网页源代码保存成 txt 文件，便于分析和查看问题（比如乱码情况等）；
• 接着，解析 html 页面，并提取出目标数据，并保存成可选格式的文件，比如 csv 文件等。

代码如下：

def process_zhilianzhaopin(baseUrl, pages, fileType, savePath):
    results = [['岗位名称', '公司名称', '岗位薪资', '岗位要求', '公司位置', '福利待遇']]
    headers = UserAgent(path='D:\\XXX\\reptile\\fake_useragent.json').google
    # 根据入参pages,拼接请求url,控制爬取的页数
    for page in range(1, int(pages) + 1):
        url = baseUrl + str(page)
        response = requests.get(url, headers)
        print(f"current url：{url}，status_code={response.status_code}")
        if response.status_code == 200:
            html = response.text
            html2txt(html, page, savePath)
            parser_html_by_bs(html, page, results, fileType, savePath)
        else:
            print(f"error,response code is {response.status_code} !")
    print('爬取页面并解析数据完毕，棒棒哒.....................................')

2. 保存网页源代码

注意：前提要保证保存网页源代码的路径是存在的。

def html2txt(html, page, savePath):
    with open(f'{savePath}\\html2txt\\zhilianzhaopin_python_html_{page}.txt', 'w', encoding='utf-8') as wf:
        wf.write(html)
        print(f'write boss_python_html_{page}.txt is success！！！')

3. 解析网页源代码

解析流程：

• 整体思路：先进行末页判断；非末页的话，再定位当前页的网页元素，并提取目标数据；提取的数据写入指定格式文件。

def parser_html_by_bs(html, current_page, results, fileType, savePath):
    soup = BeautifulSoup(html, "html.parser")
    # 判断当前页是否为最后一页
    if not judge_last_page(current_page, soup):
        # 定位网页元素，获取目标数据
        get_target_info(soup, results)
        # 并将解析的数据写入指定文件类型
        write2file(current_page,results, fileType, savePath)

• 判断当前页是否为最后一页，是的话不再解析，否则，继续解析。判断代码如下：

def judge_last_page(current_page, soup):
    last_page = soup \
        .select("div[class='pagination__pages'] > button[class='btn soupager__btn soupager__btn--disable']")
    if len(last_page) != 0:
        print("current_page is last_page,page num is " + str(last_page))
        return True
    print(f"current_page is {current_page},last_page is {last_page}")
    return False

• 解析网页源代码中的 '岗位名称', '公司名称', '岗位薪资', '岗位要求', '公司位置', '福利待遇' 等内容，组装成数据列表写入结果列表，如下：

def get_target_info(soup, results):
    jobList = soup.find_all('div', class_='joblist-box__item clearfix')
    # print(f"jobList: {jobList}，size is {len(jobList)}")
    for i in range(0, len(jobList)):
        job_name = soup.select("div[class='iteminfo__line1__jobname'] > span[class='iteminfo__line1__jobname__name']")[i].get_text().strip()
        company_name = soup.select("div[class='iteminfo__line1__compname'] > span")[i].get_text().strip()
        salary = soup.select("div[class='iteminfo__line2__jobdesc'] > p")[i].get_text().strip()
        desc_list = soup.select("div[class='iteminfo__line2__jobdesc'] > ul[class='iteminfo__line2__jobdesc__demand']")[i].get_text().strip()
        # print(f"job_name={job_name} , company_name={company_name}, salary={salary}, tag_list=null, job_area={desc_list.split(' ')[0]}, info_desc=null")
        results.append([job_name,company_name,salary,desc_list.split(" ")[1] + "," + desc_list.split(" ")[2], desc_list.split(" ")[0],"暂时无法获取"])

4. 写入指定文件的方法实现

注意：前提要保证保存写入文件的路径是存在的，这里以写入 csv 文件为例，如果要写入其他文件，可新增条件分支判断自行实现。

def write2file(current_page, results, fileType, savePath):
    if fileType.endswith(".csv"):
        with open(f'{savePath}\\to_csv\\zhilianzhaopin_python.csv', 'a+', encoding='utf-8-sig', newline='') as af:
            writer = csv.writer(af)
            writer.writerows(results)
            print(f'第{current_page}页爬取数据保存csv成功！')

5. 开启测试

if __name__ == '__main__':
    base_url = "https://sou.zhaopin.com/?jl=653&kw=Python&p="
    save_path = "D:\\XXX\\zhilianzhaopin_python"
    page_total = "2"
    process_zhilianzhaopin(base_url, page_total, ".csv", save_path)

以爬取前两页数据为例，把 page_total 赋值为2即可，控制台输出的日志如下：

保存网页源代码的文本文件，测试效果如下：

解析的数据写入 csv 文件，测试效果如下：

打开该 csv 文件，可以看到爬取 2 页总共 40 条的职位信息，内容如下：

如果验证测试爬取所有页的结果（总共有 6 页），我们把测试代码中的 page_total 赋值为 6 即可。

7. 遇到的问题记录

爬取过程中，避免不了出现各种各样的问题，有些暂时还无法解决，甚是头大，这里记录一下。

<1>. 乱码

写入 CSV 文件时，遇到了中文乱码情况，爬取到的中文乱的不堪入目。最后，将 encoding='utf-8' 改成 encoding='utf-8-sig'  就可以解决了！

<2>. 重复数据

以前两页为例，写入 CSV 文件的数据时，出现了重复的情况。经过分析，爬取代码的流程应该没什么问题，而问题在于：无论请求的是第几页的数据，服务器返回的数据都是默认数据？！最直观的验证是 zhilianzhaopin_python_html_1.txt 和 zhilianzhaopin_python_html_2.txt 网页源代码文件的内容是一模一样的，而通过日志打印出的链接去访问，却找不到其中的岗位或公司名称！

至此，恍然大悟啊！智联招聘网站还是开启了反爬虫机制，只不过比较隐蔽，不太好发现和验证，因为爬取者可以爬取到网页数据。如果对爬取的数据不进行细致的验证或分析，很难发现存在这种情况，会误以为爬取成功了呢！

<3>. 末页判断不生效

末页判断不生效的问题，一开始困扰着我。从爬取数据的内容分析来看，网站开启了反爬虫机制，导致无论哪一页的请求，都会被定向请求默认的网页源代码，所以末页的标签永远不会出现了。哎，真是大坑啊！！！

最后

爬虫就是如此，有时候自己觉得已经绕过了网站的爬虫机制，然而等到数据验证和清洗环节才发现问题，这也为学习爬虫提了个醒吧。

不过呢，本篇介绍的分析方法和代码实现，对于没有严格反爬虫的网页是可以通用的，重点在于网页结构的分析，网页元素的定位等内容。对于这种比较隐蔽的反扒机制，还是有办法能解决的，下篇将演示使用 selenium 模块解决这类问题。