利用正则爬取智联

#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('<.*?>|&nbsp;'),'',info[0])
        rs_list[1] = re.sub(re.compile('<.*?>'),'',info[1])
        rs_list[-1] = re.sub(re.compile('<.*?>|&nbsp;'),'',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