Python爬虫小例子——爬取51job发布的工作职位

概述

不知从何时起，Python和爬虫就如初恋一般，情不知所起，一往而深，相信很多朋友学习Python，都是从爬虫开始，其实究其原因，不外两方面：其一Python对爬虫的支持度比较好，类库众多。其二Pyhton的语法简单，入门容易。所以两者形影相随，不离不弃，本文主要以一个简单的小例子，简述Python在爬虫方面的简单应用，仅供学习分享使用，如有不足之处，还请指正。

涉及知识点

本例主要爬取51job发布的工作职位，用到的知识点如下：

• 开发环境及工具：主要用到Python3.7 ，IDE为PyCharm

• requests类库：本类库封装了python的内置模块，主要用于网络的请求和获取数据，可以支持不同形式的请求。

• BeautifulSoup库：主要用于解析获取的数据，包括Html，Xml，Json等不同的格式。

• 数据持久化：主要是将内存中的数据，保存到数据库或者文件中。
  

爬虫的基本步骤

爬虫的基本步骤，如下图所示：

爬取目标

如有要爬取相关内容，首先要对爬取的目标进行分析，了解其目录结构，才能进行解析。本例主要爬取51job中的工作列表，如下所示：

核心源码

1.获取数据

定义一个函数get_data，用于发起请求并获取数据，如下所示：

headers中的User-Agent主要用于模拟浏览器，不然会被反爬虫程序屏蔽，http状态码为418,意思是被网站的反爬程序返回的。

encoding是要爬取的网站的编码为gbk，如果不加，会产生乱码，默认为utf-8

def get_data(req_url):
 """获取数据"""
 headers = {
   'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko',
   'Accept-Language': 'zh-Hans-CN, zh-Hans;q=0.5'
 }
 resp = requests.get(req_url, headers=headers)
 resp.encoding = 'gbk' # 不加会产生中文乱码
 if resp.status_code == 200:
   return resp.text
 else:
   return None

2.解析数据

定义一个函数parse_data，用于解析获取到的内容，如下所示：

采用BeautifulSoup，将返回的文本，解析成html对象，并获取对应的内容。本例主要获取工作的列表

def parse_data(resp_html):
 """解析数据,并返回列表"""
 soup = BeautifulSoup(resp_html, features='html.parser')
 job_table = soup.find('div', attrs={'class': 'dw_table'})
 # print(job_table)
 job_list = job_table.find_all('div', attrs={'class': 'el'})
 # print(job_list)
 # 循环列表，去掉第一个title和最后一个
 res_list = []
 for job in job_list[1: -1]:
   job_name = job.find('p', attrs={'class': "t1"}).find('span').find('a').get_text()
   job_name = job_name.replace('\r\n', '').strip()
   job_company = job.find('span', attrs={'class': "t2"}).find('a').get_text()
   job_addr = job.find('span', attrs={'class': "t3"}).get_text()
   job_salary = job.find('span', attrs={'class': "t4"}).get_text()
   job_time = job.find('span', attrs={'class': "t5"}).get_text()
   # print('工作信息：', job_name, '---', job_company, '---', job_addr, '---', job_salary, '---', job_time)
   res_item = {
     '工作名称': job_name,
     '公司': job_company,
     '工作地址': job_addr,
     '薪资水平': job_salary,
     '发布时间': job_time
   }
   res_list.append(res_item)
 return res_list

3.保存数据

定义一个函数save_data，用于将获取到的内容保存到json文件中，如下所示：

with函数 可以自动进行释放。因包含中文，所以json文件的编码为utf-8，否则会出现乱码

def save_data(res_list):
  """保存数据"""
  with open('jobs.json', 'w', encoding='utf-8') as f:
    res_list_json = json.dumps(res_list, ensure_ascii=False)
    f.write(res_list_json)

4.整体调用步骤

依次调用定义的三个函数，如下所示：

if __name__ == '__main__':
 """如果是主程序自己调用"""
 req_url = 'https://search.51job.com/list/040000,000000,0000,00,9,99,java,2,1.html?lang=c&stype=1&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&lonlat=0％2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare='
 # 获取数据
 resp_html = get_data(req_url)
 # print(html)
 # 解析数据
 res_list = parse_data(resp_html)
 # 保存数据
 save_data(res_list)

爬取结果展示

爬取的结果保存在jobs.json文件中，如下所示：

[
{
 "工作名称": "Java架构师",
 "公司": "深圳市钻木信息技术有限公司",
 "工作地址": "深圳-福田区",
 "薪资水平": "1.8-3万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java实习生 6k起",
 "公司": "深圳市智玩创新科技有限公司",
 "工作地址": "深圳-福田区",
 "薪资水平": "6-8千/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java实习生6k起",
 "公司": "深圳市康姆达科技有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "6-8千/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "深圳市网新新思软件有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "1.5-1.7万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "深圳市睿服科技有限公司",
 "工作地址": "深圳-福田区",
 "薪资水平": "1.3-1.7万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发经理",
 "公司": "深圳市聚惠企业登记代理有限公司",
 "工作地址": "深圳-龙华新区",
 "薪资水平": "1-3万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "高级JAVA",
 "公司": "深圳易加油信息科技有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "1.5-2.1万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java高级开发工程师",
 "公司": "深圳市绿联科技有限公司",
 "工作地址": "深圳-龙华新区",
 "薪资水平": "2-3万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "深圳市博悦科创科技有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "1-1.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java高级开发工程师",
 "公司": "易普森智慧健康科技（深圳）有限公...",
 "工作地址": "深圳",
 "薪资水平": "1.5-2.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "深圳易世通达科技有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "1.2-1.8万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "苏州今融加科技有限公司",
 "工作地址": "深圳-福田区",
 "薪资水平": "1.5-2万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java后端开发工程师",
 "公司": "深圳市长隆科技有限公司",
 "工作地址": "深圳-龙岗区",
 "薪资水平": "1.5-2万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "深圳市元诺智能系统有限公司",
 "工作地址": "深圳-龙华新区",
 "薪资水平": "1-1.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "java 有物流类经验",
 "公司": "深圳市欧恩德技术有限公司",
 "工作地址": "深圳-罗湖区",
 "薪资水平": "0.8-1.1万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师-2020校园招聘",
 "公司": "金蝶软件（中国）有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "0.8-1.6万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java高级开发工程师",
 "公司": "丰疆智能科技股份有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "2.5-3万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "JAVA软件开发工程师",
 "公司": "深圳市吉星时代科技有限公司",
 "工作地址": "深圳-龙岗区",
 "薪资水平": "2-3万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "JAVA 高级软件工程师",
 "公司": "相通网络技术有限公司",
 "工作地址": "深圳-福田区",
 "薪资水平": "1.5-3万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "JAVA开发工程师（接受应届生）",
 "公司": "深圳市智岩科技有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "0.8-1万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java后台开发工程师",
 "公司": "深圳市炬驰科技发展有限公司",
 "工作地址": "深圳",
 "薪资水平": "1-1.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "深圳市韶音科技有限公司",
 "工作地址": "深圳-宝安区",
 "薪资水平": "0.8-1万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "JAVA 开发工程师",
 "公司": "深圳市优博讯科技股份有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "1-1.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "深圳市有豆科技有限公司",
 "工作地址": "深圳-宝安区",
 "薪资水平": "1.8-3万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Saas平台架构师（Java方向）",
 "公司": "深圳市智布互联纺织科技有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "1.7-2.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发实习生",
 "公司": "云软科技",
 "工作地址": "深圳-宝安区",
 "薪资水平": "6-9千/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java高级开发工程师",
 "公司": "深圳市阿尔法智汇科技有限公司",
 "工作地址": "深圳-宝安区",
 "薪资水平": "2-4万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java 全栈开发工程师",
 "公司": "深圳市杰纳斯科技有限公司",
 "工作地址": "深圳-宝安区",
 "薪资水平": "1-3.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "中高级java工程师",
 "公司": "北京联创智融信息技术有限公司",
 "工作地址": "深圳-福田区",
 "薪资水平": "1.3-1.8万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "得实信息科技（深圳）有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "0.6-1万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "深圳市联创科技集团有限公司",
 "工作地址": "深圳-龙岗区",
 "薪资水平": "1-1.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "中级JAVA(J13824)",
 "公司": "银雁科技服务集团股份有限公司",
 "工作地址": "深圳-福田区",
 "薪资水平": "1-1.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "java工程师",
 "公司": "深圳市安思疆科技有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "0.8-1.6万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "JAVA 高级开发工程师",
 "公司": "汇才保险代理（深圳）有限公司",
 "工作地址": "深圳-罗湖区",
 "薪资水平": "1.5-2万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java高级开发工程师（直连）",
 "公司": "深圳市天泰国际航空旅行社有限公司...",
 "工作地址": "深圳",
 "薪资水平": "2-4万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "JAVA工程师",
 "公司": "深圳市开度贸易有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "0.8-1.2万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "后台开发Leader（JAVA方向）",
 "公司": "深圳金世纪保险经纪有限公司",
 "工作地址": "深圳-福田区",
 "薪资水平": "3-4万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "深圳市中深力人力资源管理有限公司...",
 "工作地址": "深圳-南山区",
 "薪资水平": "1-1.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java高级开发工程师",
 "公司": "研祥高科技控股集团有限公司",
 "工作地址": "深圳-光明新区",
 "薪资水平": "0.9-1.8万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java（证券不加班）",
 "公司": "上海华腾软件系统有限公司",
 "工作地址": "深圳-福田区",
 "薪资水平": "1.8-2.2万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java高级开发工程师",
 "公司": "深圳大美商业地产管理有限公司",
 "工作地址": "深圳-福田区",
 "薪资水平": "1.5-2万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "资深/高级Java工程师",
 "公司": "未来穿戴（深圳）有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "3-4万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java高级开发工程师",
 "公司": "深圳市太阳星通信科技有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "0.8-1.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java高级开发工程师",
 "公司": "深圳市蓝鹰立德软件咨询有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "1.5-1.8万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "JAVA（高级、架构）",
 "公司": "深圳市几米物联有限公司",
 "工作地址": "深圳-宝安区",
 "薪资水平": "2.2-3.2万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "JAVA开发工程师",
 "公司": "江苏康尚生物医疗科技有限公司",
 "工作地址": "深圳-宝安区",
 "薪资水平": "1-1.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "java架构师",
 "公司": "深圳市泓齐网络科技有限公司",
 "工作地址": "深圳",
 "薪资水平": "1.5-1.8万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "深圳市智璟科技有限公司",
 "工作地址": "深圳-福田区",
 "薪资水平": "0.9-1.5万/月",
 "发布时间": "06-13"
},
{
 "工作名称": "Java开发工程师",
 "公司": "上海舟恩信息技术有限公司",
 "工作地址": "深圳-南山区",
 "薪资水平": "1.4-1.9万/月",
 "发布时间": "06-13"
}
]

进一步思考

本例可以进一步优化的空间，如下所示：

• 本次爬虫只是单次爬取，数据量相对小，如果要爬取大量数据的时候，则需要使用多线程相关的知识。

• 基础的爬虫，只能爬取静态渲染的内容，如果是异步动态渲染的数据，如何爬取呢？

• 将爬取的结果保存到数据库如何操作呢？

来源：https://www.cnblogs.com/hsiang/p/13121404.html