2019-08-30 用简书前辈的代码进行51job数据的爬取

总结:照搬照抄式的投机取巧不可行,还是得自己一步一步慢慢看,跑一跑代码,不对的地方百度找办法解决,比如今天明白了爬虫时要设置User-Agent,好假装浏览器去访问要爬取的网页。 


第一段来自:前程无忧爬虫实战(通过输入关键字爬取任意职位并自动保存为.csv文本) - 简书

```

import csv

import re

import requests

from lxmlimport etree

headers = {

"cache-control":"no-cache",

    "postman-token":"72a56deb-825e-3ac3-dd61-4f77c4cbb4d8",

    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36",

}

def get_url(key1):

try:

i=0

        url ="https://search.51job.com/list/000000,000000,0000,00,9,99,{},2,1.html"

        response = requests.get(url.format(key1), headers=headers)

html = etree.HTML(response.content.decode('gbk'))

max_page =int("".join(re.findall('(\d+)',"".join(html.xpath("//span[@class='td']/text()")))))

while True:

i+=1

            url ="https://search.51job.com/list/000000,000000,0000,00,9,99,{},2,{}.html"

            url = url.format(key1,i)

print("*"*100)

print("正在爬取第%d页" % i)

print("*"*100)

yield url

#print("正在爬取%d页"%i)

            if max_page == i:

break

    except:

print("获取不到链接,已处理")

def pase_page(key1):

try:

for iin get_url(key1):

url = i

#print(url)

            response = requests.get(url,headers=headers)

html = etree.HTML(response.content.decode('gbk'))# 解码成gbk后输出,请求的是gbk,但是python默认的是

            #输出的是utf-8,所以把utf-8解码成gbk就可以输出了,这样请求和输出就一样了,decode 相当于输出

            #编码的输入和输出要一致。

            lists = html.xpath("//div[@id='resultList']//div[@class='el']")

for listin lists:

item = {}

item["公司"] ="".join(list.xpath("./span[@class='t2']/a/text()")).replace('\r\n', '').replace(' ', '')

item["职位"] ="".join(list.xpath("./p/span/a/text()")).replace('\r\n', '').replace(' ', '')

item["工作地点"] ="".join(list.xpath("./span[@class='t3']/text()")).replace('\r\n', '').replace(' ', '')

item["薪资"] ="".join(list.xpath("./span[@class='t4']/text()")).replace('\r\n', '').replace(' ', '')

item["发布时间"] ="".join(list.xpath("./span[@class='t5']/text()")).replace('\r\n', '').replace(' ', '')

yield item

except:

print("返回数据异常,已处理")

def save_excel(key1):

try:

header = [ '公司','职位', '工作地点', '薪资', '发布时间']

with open(key1+'前程无忧职位信息.csv', 'w', newline='')as f:# w是写入

            # 标头在这里传入,作为第一行数据

            writer = csv.DictWriter(f, header)

writer.writeheader()

for iin pase_page(key1):

item = i

header = ['公司','职位',  '工作地点', '薪资', '发布时间']

with open(key1+'前程无忧职位信息.csv', 'a', newline='')as f:# a是追加

                writer = csv.DictWriter(f, header)

writer.writerow(item)

#print(item)

    except:

print("保存数据异常,已处理")

if __name__ =='__main__':

key1 =input('请输入要爬取的职位:')

save_excel(key1)

```

第二段来自:python入门015---python爬取前程无忧51job的职位信息并存入mysql数据库... - 简书

```

import re# 用来做正则匹配用

import requests# 用来做网络请求用

import xlwt# 用来创建excel文档并写入数据

# 要查询的职位

key ='数据分析师'

# 获取原码

def get_content(page):

headers = {'Host':'search.51job.com',

              'Upgrade-Insecure-Requests':'1',

              'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'}

url ='http://search.51job.com/list/000000,000000,0000,00,9,99,' + key +',2,' +str(page) +'.html'

    r = requests.get(url, headers, timeout=5)

s = requests.session()

s.keep_alive =False

    r.encoding ='gbk'

    html = r.text

return html

# 匹配规则

def get(html):

reg = re.compile(

r'class="t1 ">.*? <a target="_blank" title="(.*?)".*? <span class="t2"><a target="_blank" title="(.*?)".*?<span class="t3">(.*?)</span>.*?<span class="t4">(.*?)</span>.*? <span class="t5">(.*?)</span>',

        re.S)# 匹配换行符

    items = re.findall(reg, html)

return items

def excel_write(items, index):

# 爬取到的内容写入excel表格

    for itemin items:# 职位信息

        for iin range(0, 5):

# print item[i]

            ws.write(index, i, item[i])# 行,列,数据

        print(index)

index +=1

newTable ="test.xls"  # 表格名称

wb = xlwt.Workbook(encoding='utf-8')# 创建excel文件,声明编码

ws = wb.add_sheet('sheet1')# 创建表格

headData = ['公司','职位', '地址', '薪资', '日期']# 表头部信息

for colnumin range(0, 5):

ws.write(0, colnum, headData[colnum], xlwt.easyxf('font: bold on'))# 行,列

# 查询1-10页的数据,这里的10可以改成你想查询多少页

for eachin range(1, 162):

index = (each -1) *50 +1

    excel_write(get(get_content(each)), index)

wb.save(newTable)# 数据保存到excel表格

```

©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

推荐阅读更多精彩内容