实习僧爬虫

import re
import time
from urllib.parse import urlencode
import requests
from lxml import etree
import pymongo

base_url = 'https://www.shixiseng.com/interns/c-310100_?'

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36'
}

client = pymongo.MongoClient(host='localhost', port=27017)
db = client['job']


def get_page(keyword, page):
    data = {
        'k': keyword,
        'p': page
    }
    url = base_url + urlencode(data)
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
    except Exception as e:
        print(e)
        return None


mapping = {
    '\uf78f': '0', '\uea9b': '1', '\ue801': '2', '\ue170': '3', '\uf648': '4',
    '\uef30': '5', '\ue0ca': '6', '\uf8cb': '7', '\uf2fb': '8', '\ue5c2': '9'
}


def decrypt_text(text):
    for key, value in mapping.items():
        text = text.replace(key, value)
    return text


def parse_page(html):
    tree = etree.HTML(html)
    urls = tree.xpath('//ul[@class="position-list"]//a[@class="name"]//@href')
    for url in urls:
        parse_detail(url)
        time.sleep(2)


def save_to_mongo(data):
    db['shixiseng'].update({'id': data['id']}, data, True)


def parse_detail(url):
    url_join = base_url.rstrip('/interns/c-310100_?') + url
    print('当前解析url: ', url_join)

    html = requests.get(url_join, headers=headers).text
    tree = etree.HTML(html)
    job_name = tree.xpath('//div[@class="new_job_name"]//text()')[0]
    publish_time = tree.xpath('//span[@class="cutom_font"]//text()')[0]
    publish_time = decrypt_text(publish_time)
    job_money = tree.xpath('//span[contains(@class, "job_money")]//text()')[0]
    job_money = decrypt_text(job_money)
    job_position = tree.xpath('//span[@class="job_position"]/@title')[0]
    job_week = tree.xpath('//span[@class="job_week cutom_font"]//text()')[0]
    job_week = decrypt_text(job_week)
    job_time = tree.xpath('//span[@class="job_time cutom_font"]//text()')[0]
    job_time = decrypt_text(job_time)
    job_good = tree.xpath('//div[@class="job_good"]//text()')[0]
    job_detail = ' '.join(tree.xpath('//div[@class="job_part"]/div//text()'))
    company_name = tree.xpath('//div[@class="job_com_name cutom_font"]//text()')[0]
    company_detail = tree.xpath('//div[@class="con-job con-com_introduce"]/div[3]//text()')[0]
    company_persons = tree.xpath('//div[@class="job_detail job_detail_msg"]/span[2]//text()')[0]
    company_sector = tree.xpath('//div[@class="job_detail job_detail_msg"]/span[3]//text()')[0]
    company_position = tree.xpath('//span[@class="com_position"]//text()')[0]
    end_time = tree.xpath('//div[@class="con-job deadline"]//div[@class="job_detail cutom_font"]//text()')[0]
    end_time = decrypt_text(end_time)
    data = {
        'job_name': job_name,
        'publish_time': publish_time,
        'job_money': job_money,
        'job_position': job_position,
        'job_week': job_week,
        'job_time': job_time,
        'job_good': job_good,
        'job_detail': job_detail,
        'company_name': company_name,
        'company_detail': company_detail,
        'company_persons': company_persons,
        'company_sector': company_sector,
        'company_position': company_position,
        'end_time': end_time,
        'id': company_name + publish_time
    }
    save_to_mongo(data)


def main(keyword):
    html = get_page(keyword, 1)
    if html:
        # 解析第一页
        parse_page(html)

        # 翻页
        tree = etree.HTML(html)
        page_num = tree.xpath('//div[@id="pagebar"]//li[@class="active"]/a/@title')
        if len(page_num) > 0:  # 需要翻页
            condition = re.search('共(.*?)页', page_num[0])
            page_num = condition.group(1) if condition else 1
            for page in range(2, int(page_num) + 1):
                print('正在抓取第' + str(page) + '页...')
                html = get_page(keyword, page)
                parse_page(html)


if __name__ == '__main__':
    main(keyword='爬虫')
©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 204,732评论 6 478
  • 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 87,496评论 2 381
  • 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 151,264评论 0 338
  • 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 54,807评论 1 277
  • 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 63,806评论 5 368
  • 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 48,675评论 1 281
  • 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 38,029评论 3 399
  • 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 36,683评论 0 258
  • 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 41,704评论 1 299
  • 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 35,666评论 2 321
  • 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 37,773评论 1 332
  • 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 33,413评论 4 321
  • 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 39,016评论 3 307
  • 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 29,978评论 0 19
  • 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 31,204评论 1 260
  • 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 45,083评论 2 350
  • 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 42,503评论 2 343

推荐阅读更多精彩内容