Python网络爬虫爬取智联招聘职位

观察网站结构。

打开智联招聘网页，搜索数据分析师，出来很多招聘岗位，限定全国范围，从下图看出有12354个职位，一共有90页，看最后一页职位已经只是和数据分析师相关而已。

看看最后一页搜索结果

。

PS:小技巧，在页面下部跳转页面输入一个很大的数字，比如10000可以跳到最后一页。

右键查看网页源代码，CTRL+F搜索关键要爬取信息，如下图红框内容

页面红框上的 大数据分析师 字样竟然搜不到！！！

可能藏在json文件里了

那就再试试，搜一下 数据分析师

这下总算有了

为什么会这样呢，经过检查发现：

大和后面的数据分析中间有个<b>标签，这是什么意思，吓得我赶紧百度了一下

设置成粗体？exm？好吧 图上确实是显示粗体

继续观察源代码，发现我想要的信息都在这（下图红框），看来不用抓包分析辣~

开始写爬虫程序

打开我最爱的pycharm（直译为py的魅力）不信你百度看

没时间解释了，快上车！

好吧，你根本不是司机，开始写代码。。。

#!/usr/bin/python
# -*- coding: utf-8 -*-

from urllib import request
import re
import os,glob
import xlwt

开头声明一下我用的utf-8国际编码

导入一些模块

PS：

1.request模块主要是会自动解码来自服务器的内容

2.re模块是写正则表达式提取信息用

3.glob是一个文件操作相关模块，用它可以查找符合自己目的的文件，类似于Windows下的文件搜索

4.os模块提供了一个统一的操作系统接口函数

5.xlwt模块读写excel文件需要

book = xlwt.Workbook()
sheet = book.add_sheet('sheet', cell_overwrite_ok=True)
path = 'D:\\work'
os.chdir(path)

以上是设置路径和为最后数据写入excel文件做铺垫

result11=[]
result21=[]
result31=[]
result41=[]
result51=[]

建立五个空的列表放我要抓的最终信息

经尝试网站是gbk编码，我实际操作中发现和上图红框内中文有关，所以encode和decode总是报错，我想找个不含中文的同样网址，试试F12吧

在网页按下F12，刷新网页，观察到请求的url是下图红框中的

里面没有中文啊，复制出来访问看看。

果然一样！！！

注意到这个url最后有个p=1，这很可能是页码，我换成5试试吧

看上图，果然是这样，我试试最后第90页

果然是这样，接下来继续写代码

for k in range(1,91):
    html=request.urlopen("http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%e5%85%a8%e5%9b%bd&kw=%e6%95%b0%e6%8d%ae%e5%88%86%e6%9e%90%e5%b8%88&sm=0&isfilter=0&fl=489&isadv=0&sg=aae5284f62664af8b14611bda6d68315&p="+str(k)).read()    #读取网页源代码内容


    pat1 = 'onclick="submitLog.*?">(.*?)</a>'
    pat2 = '<td class="gsmc"><a href="https://ask.hellobi.com/(.*?)" target='
    pat3 = '<td class="zwyx">(.*?)</td>'
    pat4 = '<td class="gzdd">(.*?)</td>'
    pat5 = 'target="_blank">(.*?)<'

    result1 = re.compile(pat1).findall(str(html,"utf-8"))
    result2 = re.compile(pat2).findall(str(html,"utf-8"))
    result3 = re.compile(pat3).findall(str(html,"utf-8"))
    result4 = re.compile(pat4).findall(str(html,"utf-8"))
    result5 = re.compile(pat5).findall(str(html,"utf-8"))

    result11.extend(result1)
    result21.extend(result2)
    result31.extend(result3)
    result41.extend(result4)
    result51.extend(result5)

range（1，91）循环爬取1~90页，p="+str(k)是为了构造循环网址（我要把90页全爬下来）

通过观察网页构造选择正则提取

每次提取一页中的所有信息不断循环存在result11~51的列表里

j = 0
for i in range(0,len(result11)):
    try:
        zhiwei = result11[i]
        wangzhi = result21[i]
        gongzi = result31[i]
        gongzuodidian = result41[i]
        gongsimingcheng = result51[i]
    
        sheet.write(i + 1, j, zhiwei)
        sheet.write(i + 1, j + 1, wangzhi)
        sheet.write(i + 1, j + 2, gongzi)
        sheet.write(i + 1, j + 3, gongzuodidian)
        sheet.write(i + 1, j + 4, gongsimingcheng)

    except Exception as e:
        print('出现异常：' + str(e))
        continue

book.save('d:\\shujufenxishi.xls')

最后把列表文件循环写到本地xls文件中

结果如下图

一共5221条数据，并不是网页搜索的12354条，这活生生被吃了一半不止啊！

我又运行了一下，果然数量不一样了，好吧。。。这个问题还有待解决，麻烦各位dalao懂的话留言提醒一下小弟

这个<b></b>标签看着难受，用excel做点后处理

查找替换

报错了额

原来我默认的是wps打开，换成office的excel打开之后操作结果如下

是不是好多了呢，有机会以后继续谢谢针对本数据后续的数据分析~

完整代码如下：

#!/usr/bin/python
# -*- coding: utf-8 -*-

from urllib import request
import re
import os,glob
import xlwt

book = xlwt.Workbook()
sheet = book.add_sheet('sheet', cell_overwrite_ok=True)
path = 'D:\\work'
os.chdir(path)
result11=[]
result21=[]
result31=[]
result41=[]
result51=[]

for k in range(1,91):
    html=request.urlopen("http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%e5%85%a8%e5%9b%bd&kw=%e6%95%b0%e6%8d%ae%e5%88%86%e6%9e%90%e5%b8%88&sm=0&isfilter=0&fl=489&isadv=0&sg=aae5284f62664af8b14611bda6d68315&p="+str(k)).read()    #读取网页源代码内容


    pat1 = 'onclick="submitLog.*?">(.*?)</a>'
    pat2 = '<td class="gsmc"><a href="https://ask.hellobi.com/(.*?)" target='
    pat3 = '<td class="zwyx">(.*?)</td>'
    pat4 = '<td class="gzdd">(.*?)</td>'
    pat5 = 'target="_blank">(.*?)<'
    #pat6 = '<span>(.*?)</span>'
    #pat7 = 'target="_blank">(.*?)</a>'

    result1 = re.compile(pat1).findall(str(html,"utf-8"))
    result2 = re.compile(pat2).findall(str(html,"utf-8"))
    result3 = re.compile(pat3).findall(str(html,"utf-8"))
    result4 = re.compile(pat4).findall(str(html,"utf-8"))
    result5 = re.compile(pat5).findall(str(html,"utf-8"))
    result11.extend(result1)
    result21.extend(result2)
    result31.extend(result3)
    result41.extend(result4)
    result51.extend(result5)


j = 0
for i in range(0,len(result11)):
    try:
        zhiwei = result11[i]
        wangzhi = result21[i]
        gongzi = result31[i]
        gongzuodidian = result41[i]
        gongsimingcheng = result51[i]

        sheet.write(i + 1, j, zhiwei)
        sheet.write(i + 1, j + 1, wangzhi)
        sheet.write(i + 1, j + 2, gongzi)
        sheet.write(i + 1, j + 3, gongzuodidian)
        sheet.write(i + 1, j + 4, gongsimingcheng)

    except Exception as e:
        print('出现异常：' + str(e))
        continue

book.save('d:\\shujufenxishi.xls')

代码运行大概15~20second