Python爬虫某招聘网站的岗位信息

前言

文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：阿尔法游戏

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取http://t.cn/A6Zvjdun

故事又要从一个盆友说起

昨晚有个盆友问我爬虫学的怎么样了?

正当我不明所以之际，盆友的微信语音通话接了进来

友：“看你在学python，爬虫写的怎么样了呀，我想抓一下某招聘网站的数据，能帮我整一个吗，不行的话我也去看看”

我：“哦哦，你不是技术嘛，自己来嘛

友：“我不是没怎么接触过嘛”

我：“行，刚好我也学习下，周末有时间我帮你看下”

简单介绍下这个朋友吧，游戏圈某技术大拿，真大拿的那种！！

故事聊完了，咱们开工吧

1、前期准备

因为是爬虫，所以咱们需要用到如下几个库

requests
fake_useragent
json
pandas

Requests 的介绍是这样的：唯一的一个非转基因的 Python HTTP 库，人类可以安全享用

反正就是你用来获取网页数据需要用到的，本次咱们只需要用到get方法:

res=request.get(url)构造一个向服务器请求资源的url对象，这个对象是Request库内部生成的，这时候的res返回的是一个包含服务器资源的Response对象，包含从服务器返回的所有的相关资源。

fake_useragent 直译就是假身份，作用和直译基本一样，是个表里不一的“人”

UserAgent是识别浏览器的一串字符串，相当于浏览器的身份证，在利用爬虫爬取网站数据时，频繁更换UserAgent可以避免触发相应的反爬机制。fake-useragent对频繁更换UserAgent提供了很好的支持，可谓防反扒利器。

json 就是上期我们本来打算介绍但是换了一个库实现的用于处理json数据，可以将已编码的 JSON 字符串解码为 Python 对象

pandas 是我们的老朋友了，因为常和excel打交道，对表格的钟爱，所以pandas在这里主要作用只是将抓取的数据转化为dataframe型后导出成excel表

导入需要用到的库

import requests
from fake_useragent import UserAgent
import json
import pandas as pd
import time

2、任务分析

其实这步应该在第1步前期准备之前，但是文档写到了这里，咱也不想回去了。

这一步很关键，主要是思路分析，大致可以分为以下几点：

明确你需要的数据是什么
找到你需要的数据来源
理清原始数据的结构
输出你需要的数据形式

1)明确你需要的数据

比如盆友需要岗位信息，包含哪些字段，常规的有岗位名称、薪酬范围、需要的工作年限等等。当你明确需要的数据指标之后，你再去数据来源看是否有这些指标已经如何获取。

岗位	薪酬	年限
运营	30-50k	5-8年
技术	30-50k	5-8年

2)找到你需要的数据来源

盆友需要的是脉脉上的岗位信息，那么我们需要熟悉脉脉的岗位信息在哪可见，以及它们是如何展示的。

这是移动端

移动端没法直接获取url信息，我们可以去pc端看看

这是pc端

这里pc端用的是Google Chrome浏览器为了让你能够点开xhr等等，你需要安装一个浏览器工具

下载浏览器驱动程序：http://chromedriver.storage.googleapis.com/index.html

查看驱动和浏览器版本的映射关系：http://blog.csdn.net/huilan_same/article/details/51896672

pc端是一个列表，我们通过下拉可以加载更多，这说明这个页面是非静态页面，因此在获取url的时候需要特别注意。

操作流程：

第1步，获取数据源URL地址： F12 打开浏览器开发者工具调试页面，选中network——xhr，刷新网页后选择招聘，可以看见右侧有刷新调试页面有内容刷新，选中最近一个刷新的条目即可获取数据源url地址，见右侧的request URL内容即是。
第2步，找到该URL地址规律： url = 'https://maimai.cn/sdk/company/obtian_company_job?webcid=jYZTTwkX&count=20&page=0&job_title='(你点了应该会提示没数据)，仔细分析，我们可以得到动态变化部分应该为count和page，count表示每页20个，page表示当前页数。通过修改count和page后再浏览器打开我们验证了该判断。
第3步，获取数据源URL地址：因为网页动态，这里建议把cookie记录下来备用，cookie数据在request Header中。

3)理清原始数据的结构

当我们获取到数据来源url之后，就需要理清这些原始数据长啥样，如此才好去解析整理出想要的信息。打开一个url，我们发现是一个json，嗯，很完整的多层json。

网页json图

使用json.loads方法做简单的预处理，然后我们一层一层寻找目标数据指标所在。

【这里我是通过spyder变量管理器点开数据让大家直观理解】

第一层：字典

第二层：字典

第三层：列表

第四层：字典

4)输出你需要的数据

通过理清原始数据结构，结合你需要的数据，咱们就可以进行数据简单过滤选择了

直接创建一个空字典，存储你需要的数据信息

3、实现细节

1)材料准备

将url按照规律进行拆分

#url里count和page是变化的规律所在，自选一个进行循环
#因脉脉没有通用的岗位list汇总页面，因此如果想获取其他list可以通过搜索或者查询指定公司职位后修改url即可
#url = https://maimai.cn/sdk/company/obtian_company_job?webcid=jYZTTwkX&count=20&page=50&job_title=path = 'https://maimai.cn/sdk/company/obtian_company_job?webcid=jYZTTwkX&count=20&page='
tail = '&job_title='#这里需要注意，一定要加cookie，否则将获取不到数据
headers = {"User-Agent": UserAgent(verify_ssl=False).random,"Cookie":'填入你自己的浏览器cookie值'}

2)数据请求

请求数据并用json.load()简单进行数据类型转化python对象

#创建空list，用于存储抓取的岗位信息（字典存储）
list = []
#计数用的变量n
n = 0
#因单页显示20条岗位信息，所以需要翻页（实际网页效果是下拉加载更多）
#数据为json，因此需要json.load 解析
for i in range(0,51): #我这里只去前50页数据url = path + str(i) +tailresponse_comment = requests.get(url,headers = headers)json_comment = response_comment.textjson_comment = json.loads(json_comment)

3)数据筛选

接上个for循环，因为每页内有20条数据，因此需要再用一个循环取出每条数据并存入一个空字典中，同时将每个字典合到空列表中进行汇总

    data = json_comment['data']#单页显示20条岗位信息，逐一采集for i in range(len(data['normal_data'])):n = n+1#创建空字典用于存储单个岗位信息result = {}result['工作年限'] = data['normal_data'][i]['worktime']result['学历要求'] = data['normal_data'][i]['degree']result['职位描述'] = data['normal_data'][i]['description']result['公司名称'] = data['normal_data'][i]['company']result['工作地点'] = data['normal_data'][i]['city']result['职位名称'] = data['normal_data'][i]['position']result['岗位薪酬'] = data['normal_data'][i]['salary_info']result['最近修改时间'] = data['normal_data'][i]['modify_time']result['发布时间'] = data['normal_data'][i]['pub_time']result['浏览量'] = data['normal_data'][i]['views']result['发布人职位'] = data['normal_data'][i]['user']['position'].upper()#将岗位信息存入list中   list.append(result)

4)数据导出

直接使用pandas的to_excel方法导出数据成excel

#将存有岗位信息的列表转化为dataframe表格形式
df = pd.DataFrame(list)
df.to_excel(r'F:\Python\岗位数据.xlsx',sheet_name='岗位信息',index = 0

5)结果展示

4、完整代码

import requests
from fake_useragent import UserAgent
import json
import pandas as pd
import timestart_time = time.perf_counter()#url里count和page是变化的规律所在，自选一个进行循环
#因脉脉没有通用的岗位list汇总页面，因此如果想获取其他list可以通过搜索或者查询指定公司职位后修改url即可
#url = https://maimai.cn/sdk/company/obtian_company_job?webcid=jYZTTwkX&count=20&page=50&job_title=path = 'https://maimai.cn/sdk/company/obtian_company_job?webcid=jYZTTwkX&count=20&page='
tail = '&job_title='#这里需要注意，一定要加cookie，否则将获取不到数据
headers = {"User-Agent": UserAgent(verify_ssl=False).random,"Cookie":'你的cookie'}#创建空list，用于存储抓取的岗位信息（字典存储）
list = []
#计数用的变量n
n = 0
#因单页显示20条岗位信息，所以需要翻页（实际网页效果是下拉加载更多）
#数据为json，因此需要json.load 解析
for i in range(1,2):url = path + str(i) +tailresponse_comment = requests.get(url,headers = headers)json_comment = response_comment.textjson_comment = json.loads(json_comment)data = json_comment['data']
#    print('\r正在抓取第%d页岗位信息（每页20个岗位）'%i,end=' ')#单页显示20条岗位信息，逐一采集for i in range(len(data['normal_data'])):n = n+1#创建空字典用于存储单个岗位信息result = {}result['工作年限'] = data['normal_data'][i]['worktime']result['学历要求'] = data['normal_data'][i]['degree']result['职位描述'] = data['normal_data'][i]['description']result['公司名称'] = data['normal_data'][i]['company']result['工作地点'] = data['normal_data'][i]['city']result['职位名称'] = data['normal_data'][i]['position']result['岗位薪酬'] = data['normal_data'][i]['salary_info']result['最近修改时间'] = data['normal_data'][i]['modify_time']result['发布时间'] = data['normal_data'][i]['pub_time']result['浏览量'] = data['normal_data'][i]['views']result['发布人职位'] = data['normal_data'][i]['user']['position'].upper()#将岗位信息存入list中   list.append(result)print('\r已整合%d个岗位信息'%n,end=' ')use_time = time.perf_counter()
print('\n合计运行时长：{0:.2f} 秒'.format(use_time-start_time))
#将存有岗位信息的列表转化为dataframe表格形式
df = pd.DataFrame(list)
df.to_excel(r'F:\Python\脉脉-字节跳动招聘岗位.xlsx',sheet_name='岗位信息',index = 0)

Python爬虫某招聘网站的岗位信息相关推荐

利用Python爬虫获取招聘网站职位信息
当你学会使用Python爬虫之后就会发现想要得到某些数据再也不用自己费力的去寻找,今天小千就给大家介绍一个很实用的爬虫案例,获取Boss直聘上面的招聘信息,同学们一起来学习一下了. Boss直聘爬虫案 ...
Python爬虫 boos招聘网站
本文章的所有代码和相关文章, 仅用于经验技术交流分享,禁止将相关技术应用到不正当途径,滥用技术产生的风险与本人无关. 本文章是自己学习的一些记录. 爬取Boss网站的招聘信息 1.导入相关的包 #co ...
python如何爬取网站所有目录_用python爬虫爬取网站的章节目录及其网址
认识爬虫网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本.另外一些不常使用的名字还有蚂蚁.自动索引.模拟 ...
python爬虫下载视频网站视频
python爬虫下载视频网站视频 xpath解析页面源码 requests.Session() 解决 status_code 302 网页重定向 selenium 获取网页遇到 iframe 标签解 ...
Python爬虫实例 wallhaven网站高清壁纸爬取。
文章目录 Python爬虫实例 wallhaven网站高清壁纸爬取一.数据请求 1.分析网页源码 2.全网页获取二.数据处理 1.提取原图所在网页链接 2.获取高清图片地址及title 三.下载图 ...
python爬虫下载影视网站的电影
python爬虫下载影视网站的电影我这边选取了vip网站 F12打开调试抓包模式搜索影片的名称, 观察看看给那个url地址发送了请求, 我看到了这个请求需要携带发送数据而这个数据就是我们要的影 ...
python爬虫抓取网站技巧总结
不知道为啥要说是黑幕了??哈哈哈-..以后再理解吧 python爬虫抓取网站的一些总结技巧学用python也有3个多月了,用得最多的还是各类爬虫脚本:写过抓代理本机验证的脚本,写过在discuz论坛 ...
python爬虫之小说网站--下载小说(正则表达式)
python爬虫之小说网站--下载小说(正则表达式) 思路: 1.找到要下载的小说首页,打开网页源代码进行分析(例:https://www.kanunu8.com/files/old/2011/244 ...
Python爬取招聘网站
刚学python的时候,看到一位大佬说过的话 : Life is short, you need python. 昨天看了大四的毕业晚会,他们走了之后我们就是大四的了,猝不及防的就要毕业了(小小感慨 ...

Python爬虫某招聘网站的岗位信息

前言

Python爬虫某招聘网站的岗位信息相关推荐

最新文章

热门文章