使用xpath爬取51job数据并存入库

这几天在学爬虫,就想着尝试爬取一下网站,一下是爬取51job的过程

分析网站

image.png

这是首页,大家可以尝试各种方法抓取接口。

查看变化,尝试直接在get头改变信息


[图片上传中...(image.png-c093dd-1589098280977-0)]

image.png

image.png

由此看到,搜索接口

在查看网页第一,二页


image.png

由此,可以看到页数接口

获取信息

比如职位信息:由于我最近在学xpath,所以用xpath来定点


image.png

右键复制xpath,就可以拿到想要的节点了,但需要注意的是,要循环的话就不能用原始的xpath,可以自行改一下。

献上代码

image.png

不多bb,直接上代码

import random
from lxml import etree
import requests
import re
import pymysql
​
# 使用随机agent
def rand_user():
 ua_list = [
 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60",
 "Opera/8.0 (Windows NT 5.1; U; en)",
 "Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50",
 "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.50",
 "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0",
 "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2 ",
 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36",
 "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
 "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.16 (KHTML, like Gecko) Chrome/10.0.648.133 Safari/534.16",
 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36",
 "Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0) like Gecko",
 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
 "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
 "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
 "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
 "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
 "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0",
 "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0)",
 ]
 ua = random.choice(ua_list)
 headers = {
 "User-Agent": ua
 }
 return headers
​
​
# 使用代理ip
def proxy():
 proxy_list = [
 {
 "HTTP": "92.247.142.14:53281",
 },
 {
 "HTTP": "203.150.160.157:8080",
 },
 {
 "HTTP": "91.211.107.204:41258",
 }
 ]
 pr = random.choice(proxy_list)
 return pr
​
​
​
​
# 获取岗位数据
def get_detail():
 work = input("你想要的职位")
 page = 1
 url = "https://search.51job.com/list/000000,000000,0000,00,9,99,{},2,{}.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=".format(work,page)
 response = requests.get(url, headers=rand_user(), proxies=proxy())
 content = response.content.decode('gbk')
 # 获取最后一页
 mytree = etree.HTML(content)
 job_page = mytree.xpath('//*[@id="resultList"]/div[55]/div/div/div/span[1]/text()')
 job_page_str = str(job_page)
 num=re.findall(r'\d+', job_page_str)
 num1 = int(num[0])
 # print(num1)
​
 # 翻页爬
 for i in range(1, num1+1):
​
 url +=  "https://search.51job.com/list/000000,000000,0000,00,9,99,{},2,{}.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=".format(work,i)
​
 try:
 # 先获取页面数据
 response = requests.get(url, headers=rand_user(), proxies=proxy())
 content = response.content.decode('gbk')
​
 # 使用xpath
 mytree = etree.HTML(content)
 job_list = mytree.xpath('//*[@id="resultList"]/div[@class="el"]')
 # print(job_list)
 # 获取当前页的相关数据
 for job in job_list:
 job_name = job.xpath('./p/span/a/text()')[0]
 # print(job_name)
 # 公司
 job_company = job.xpath('./span/a/text()')[0]  # //*[@id="resultList"]/div[5]/span[1]/a
 # print(job_company)
 # 城市
 job_city = job.xpath('./span/text()')[0]
 # print(job_city)
 # 薪资
 job_salary = job.xpath('./span/text()')[1]
 # print(job_salary)
 job_salary1 = job.xpath('./span[@class="t5"]/text()')[0]
 # print(job_salary1)
 job_url = job.xpath('./p/span/a/@href')[0]
 # print(job_url)
 if job_salary != job_salary1:
 pass
 else:
 job_salary = "面议"
 str_job_name = job_name.strip()
 str_job_company=job_company.strip()
 str_job_city=job_city.strip()
 str_job_salary=job_salary.strip()
 str_job_url=job_url.strip()
​
 # 存入数据库
 sql = 'insert into job_table values(null,"%s", "%s", "%s", "%s", "%s")'%(str_job_name, str_job_company, str_job_city, str_job_salary,str_job_url)
​
 cursor.execute(sql)
 db.commit()
 except Exception as e:
 pass
 print("*" * 40)
 print("%s 第%d页 爬取异常" % (url, i))
 print(e)
 print("*" * 40)
​
​
if __name__ == '__main__':
 # 连接MySQL
 db = pymysql.connect(
 host="localhost",
 port=3306,
 user="root",
 password="123123",
 database="job",
 charset="utf8"
 )
 cursor = db.cursor()
 get_detail()
 cursor.close()
 db.close()
image.png

image.png

image.png

到此结束,希望大家新手发帖,大佬勿喷,没加多线程的原因是不想改代码了。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,287评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,346评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,277评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,132评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,147评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,106评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,019评论 3 417
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,862评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,301评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,521评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,682评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,405评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,996评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,651评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,803评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,674评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,563评论 2 352