利用正则爬取智联
程序员文章站
2022-05-09 21:24:35
...
#coding:utf-8
import re
from urllib import request,parse
# xlwt 操作excel表格
import xlwt
from random import choice
# 1.创建一个工作簿对象
# workbook = xlwt.Workbook(encoding='utf-8')
# # 2.添加一张表
# sheet = workbook.add_sheet('python职位表')
# # 3.向表中添加数据
# sheet.write(0,0,'职位名称')
# sheet.write(0,1,'工作地点')
# sheet.write(0,2,'公司名称')
# sheet.write(0,3,'薪资待遇')
# sheet.write(0,4,'发布日期')
# # 4.保存
# workbook.save('python职位信息.xls')
'''
https://sou.zhaopin.com/jobs/searchresult.ashx?kw=python&sm=0&p=1
https://sou.zhaopin.com/jobs/searchresult.ashx?jl=北京%2B上海%2B广州%2B深圳%2B杭州&kw=python&p=1
jl 工作地点
kw 搜索关键字
p 页码
'''
'''
1.初始化函数
kw搜索关键词,基础的url地址,请求头,用来记录html源代码属性,total_page总页码
2.start函数
爬虫的启动函数
3.get_html函数
根据url地址,获取html源代码,转换为str类型,并赋值给self.html
4.parse_total函数
从html源代码中,根据正则提取职位总个数,计算总页码,math.ceil()向上取整
5.parse_info函数
根据总页码,获取每一页的html源代码,根据正则提取职位信息,并对数据进行简单的清洗工作
将数据存储表格中
6.filter函数
将正则匹配到的数据进行清洗,把多余的数据剔除
'''
# 智联招聘爬虫类
class ZLSpider(object):
def __init__(self,kw,citys):
data = {
'jl':'+'.join(citys),
'kw':kw,
}
# 记录搜索关键词
self.kw = kw
# 编码参数
data = parse.urlencode(data)
# 拼接完整地址
self.url = 'https://sou.zhaopin.com/jobs/searchresult.ashx?'+data
# 请求头列表
self.UserAgents = [
'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0',
'Mozilla/5.0 (Windows NT 10; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0',
'Mozilla/5.0 (Windows; U; Windows NT 5.2) AppleWebKit/525.13 (KHTML, like Gecko) Version/3.1 Safari/525.13'
]
# 声明html属性 记录html源代码
self.html = ''
# 将数据中的特殊字符剔除
def fillter_data(self,info):
# 元组转换为列表
rs_list = list(info)
rs_list[0] = re.sub(re.compile('<.*?>| '),'',info[0])
rs_list[1] = re.sub(re.compile('<.*?>'),'',info[1])
rs_list[-1] = re.sub(re.compile('<.*?>| '),'',info[-1])
return rs_list
# 发送请求的函数
def get_html(self,url):
# 创建请求对象,随机取出请求头
# parse.urlencode 对url进行编码
req = request.Request(url,headers={
'User-Agent':choice(
self.UserAgents)})
# 发起请求,接收响应
response = request.urlopen(req)
# 转换html utf-8 gbk gb2312
self.html = response.read().decode('utf-8')
# 解析职位总个数,计算总页数
def parse_total(self):
print(self.url)
# 准备正则
pattern = re.compile('<span.*?em>(.*?)</em>',re.S)
# search()
rs = re.search(pattern,self.html)
# 总职位数 转换整数
total_zw = int(rs.group(1))
# 计算总页数
import math
# ceil()向上取整
# total_zw//60 向下取整
total_page = math.ceil(total_zw/60)
print('共有{}个职位信息,共{}页'.format(total_zw,total_page))
# 智联招聘网页只显示前90页数据
self.total_page = 90
# 解析每一页的职位信息
def parse_info(self):
workbook = xlwt.Workbook(encoding='utf-8')
sheet = workbook.add_sheet(self.kw+'职位表')
sheet.write(0,0,'职位名称')
sheet.write(0,1,'公司名称')
sheet.write(0,2,'最低月薪')
sheet.write(0,3,'最高月薪')
sheet.write(0,4,'工作地点')
sheet.write(0,5,'发布日期')
# 向表格中写入数据时的行号
count = 1
for page in range(1,11):
print('正在爬取第{}页,请稍后...'.format(page))
# 拼接带页码的url地址
url = self.url+'&p={}'.format(page)
self.get_html(url)
# 准备正则
pattern = re.compile('<table.*?class="newlist.*?<td class="zwmc.*?<a.*?>(.*?)</a>.*?class="gsmc.*?<a.*?>(.*?)</a>.*?class="zwyx.*?>(.*?)</td>.*?class="gzdd.*?>(.*?)</td.*?class="gxsj.*?>(.*?)</td>',re.S)
res = re.findall(pattern,self.html)
for s in res:
rs_list = self.fillter_data(s)
sheet.write(count,0,rs_list[0])
sheet.write(count,1,rs_list[1])
# 把职位月薪分成最低和最高
if '-' in rs_list[2]:
max_money = rs_list[2].split('-')[1]
min_money = rs_list[2].split('-')[0]
else:
max_money = min_money = '面议'
sheet.write(count,2,min_money)
sheet.write(count,3,max_money)
sheet.write(count,4,rs_list[3])
sheet.write(count,5,rs_list[4])
# count+1
count += 1
workbook.save(self.kw+'智联职位信息.xls')
# 启动爬虫函数
def start(self):
self.get_html(self.url)
self.parse_total()
self.parse_info()
if __name__ == '__main__':
kw = input('请输入要查询的职位名称:')
citys = []
while len(citys) <5:
city = input('请输入查询的城市,最多5个(q结束):')
if city == 'q':
break
citys.append(city)
zl = ZLSpider(kw,citys)
zl.start()
转载于:https://my.oschina.net/u/3771014/blog/1630685
上一篇: lvm