爬取招聘数据 | scrapy 前程无忧51job

1. 预备知识

python语言，scrapy爬虫基础，正则表达式

2. 抓取目标结构

1. 职位列表中的以下信息：
   
2. 点击职位，进入职位详情页中，提取以下信息：
   

3.抓包分析

3.1 抓包分析url地址

先进入到我们的页面中来，选择想要爬取的城市，url地址会发生相应的变化并刷新，如下图所示：

复制地址栏的url链接地址如下：https://search.51job.com/list/120200,000000,0000,00,9,99,+,2,1.html?lang=c&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare=
根据第三章学到的知识，我们尝试对该url链接进行删减并测试删减后的url是否对访问结果产生影响，测试后删减的url结果如下：

https://search.51job.com/list/120200,000000,0000,00,9,99,+,2,1.html

访问并对比原网页可以发现，删减参数后的url地址所请求的页面，与原url请求的网页相差不大，均存在我们想要提取的信息。
结果如下：

3.2 分析页码规律

我们先打开删减版的url对应的页面，为了分析页码请求数据的规律，我们先将滑块移到最后，点击抓包工具中的clear按钮，清空当前存在的请求列表，防止之前存在的请求列表对我们的分析进行干扰，最后，点击第二页，查看抓包工具抓取到的url链接，同时注意url地址栏的变化情况，操作如下所示：


分析上图，我们可以看到数据依然是通过ajax异步传递的，同时url链接再次变成了众多参数的url，但是这里我们可以发现url地址的变化有非常关键的一点：
原来的url链接：https://search.51job.com/list/120200,000000,0000,00,9,99,+,2,1.html
变成了以下链接：
https://search.51job.com/list/120200,000000,0000,00,9,99,+,2,2.html

3.3分析数据存储位置

我们尝试将抓到的ajax的请求进行访问时，得到了以下结果：

单独进行这条链接的请求，返回的只能是整个前端的页面数据，并不像我们想象中的是一些json格式的字符串，所以我们没有办法利用上一章实验的思路进行数据提取，只能通过分析url的响应，查找数据存在的位置。
接下来我们尝试查找数据存在的位置，首先，复制前端咱们想要抓取的数据，在全局中搜索这段数据出现的位置以及所对应的url链接，然后抓包工具的network模块找到这条url，按ctrl+f进行搜索，流程如下图所示：



可以看到数据 是存放在url对应的响应中的script标签下，我们可以尝试用正则表达式进行匹配。

4. 正则表达式的应用

首先，找到想要提取的数据前后的字符存在规律，例如：在本章中，“window.SEARCH_RESULT = ”是json数据前面的字符串，“”是json数据后面的字符串，如下图所示：

接下来我们要利用正则表达式匹配到两个字符串中间的json数据。新建一个test.py进行测试，提前写好正则表达式，有利于我们提高我们编写scrapy的效率。首先我们将这一行前端代码复制粘贴到我们的代码中，用变量html_str进行存储，如下图所示：

import re
# xxxx是前端中的json数据，数据过长，不易展示
html_str = ' window.__SEARCH_RESULT__ = {"xxxx"} '
# 这里是正则表达式的使用，将想要提取的字符串用(.*?)代替
# 前后分别加上原来相对应的字符即可
json_str = re.findall('window.__SEARCH_RESULT__ = (.*?)', html_str)[0]
# 使用JSON模块　将字符串转化JSON格式的数据
json_dict = json.loads(json_str)
# 查看其中的数据
for i in json_dict['engine_search_result']:
   print(i)

5. 代码编写

5.1 start_requests

def start_requests(self):
        base_url = "https://search.51job.com/list/200200,000000,0000,00,9,99,%25E5%25A4%25A7%25E6%2595%25B0%25E6%258D%25AE,2,{}.html"
        for i in range(1,21):
            next_page_url = base_url.format(i)
            # print(next_page_url)
            # 发送GET请求
            yield scrapy.Request(
                url=next_page_url,
                callback=self.parse
            )

5.2 正则提取数据

使用正则表达式提取想要的字符串，并使用json将字符串转换为json字典格式的数据，然后使用循环进入json数据列表中提取其中的数据，找到职位详情页的url地址后，再次进行请求该url，获取更多的职位信息。

def parse(self, response):
# 检查随机请求头是否设置成功 
        print(response.requests.headers)
        html_str = response.text
        # . 代表任意一个字符  
# ？代表匹配前面的子表达式0到1次    
# * 代表匹配前面的子表达式人任意次
        json_str = re.findall('window.__SEARCH_RESULT__ = (.*?)', html_str)[0]
        json_dict = json.loads(json_str)
        for data in json_dict['engine_search_result']:
				item = {}
            item['job_name'] = data['job_name']
            item['company_name'] = data['company_name']
            item['job_address'] = data['workarea_text']
            item['salary'] = data['providesalary_text']
            item['job_time'] = data['updatedate']
            # job_need是一个列表
            job_need = data['attribute_text']
            # join函数将上面的列表转换为字符串
            item['job_need'] = ",".join(job_need)
# 提取职位详情页对应的url
            job_detail_url = data['job_href']
            item['job_detail_url'] = job_detail_url
				# 请求职位详情页的url
            yield scrapy.Request(
                url=job_detail_url,
                meta={"item":item},
					 # 传递给新定义的提取详情页信息的url
                callback=self.parse_detail,
            )

5.3 提取职位的详情信息

这里详情页信息是非常常规的网页，直接用xpath就可以提取，没有任何反爬机制，同学们可以自行查看详情页信息进行提取

def parse_detail(self,response):
# 将上一步提取的数据,通过meta传递给item
        item = response.meta['item']
		  # 职位详情信息
        item["company_detail"] = response.xpath("//div[@class='bmsg job_msg inbox']//p/text()").extract()
		  yield item

保存文件结果如下：

数据获取直达：十万条数据集 2022/4/30更新
https://download.csdn.net/download/lijiamingccc/85245765