Python 爬取前程无忧

当初自己在学爬虫时，因网上资料很多都是基于python2开发的，所以入门的时候走了不少弯路，为了减少大家少走弯路，今天就分享下基础入门爬虫。

学python当然对python的就业方向要有所了解，这次的爬虫基于前程无忧，首先打开网址 http://www.51job.com/

然后输入python 如下图所示:

进入网站后可以看到网址信息和招聘信息

通过查看网址信息，发现网址有点复杂，是不是感觉可能不怎么方便去采集数据？别担心这其实可能是开发者故意干扰我们的，经过分析可以看到真正的有效网址如下：

http://search.51job.com/list/000000,000000,0000,00,9,99,python,2,1.html

然后翻阅第二页如下

经过分析可知参数仅仅改变了数字，而其对应的网址如下：

依次类推，以后的网页都可以通过改变一个参数就可以得到

右键检查便很轻松的可以得到对应网页的位置

如获取职位名称 第一个标题t1 = soup.select(‘.t1 span a’)[0].text

薪资t4 = soup.select(‘.t4’)[1].text 可以发现薪资soup.select(‘.t4’)[0].text并不是对应第一个招聘信息的薪水

源代码如下：

import requests
from bs4 import  BeautifulSoup
import xlwt
headers={
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36'
}
def get_html():
k=1 #参数k代表存储到excel的行数
wb = xlwt.Workbook()  # 创建工作簿
f = wb.add_sheet("招聘信息")  # 创建工作表
'''
下方的循环是将Excel表格中第一行固定
Excel表第一行的前五列分别对应 职位、公司、工作地点、薪水、发布日期
'''
raw = ['职位', '公司', '工作地点', '薪水', '发布日期']
for i in range(len(raw)):
f.write(0, i, raw[i])
'''
write函数中第一个参数表示存储到多少行
第二各参数存储到多少列表，第三个参数代表存储到对应行列的值
'''
url='http://search.51job.com/list/000000,000000,0000,00,9,99,python,2,{}.html'
try:
for page in range(12):#解析前11页
res = requests.get(url.format(page))
res.encoding = 'gbk'
if res.status_code == 200:
soup = BeautifulSoup(res.text, 'lxml')
t1 = soup.select('.t1 span a')
t2 = soup.select('.t2 a')
t3 = soup.select('.t3')
t4 = soup.select('.t4')
t5 = soup.select('.t5')
for i in range(len(t2)):
job = t1[i].get('title')#获取职位
href = t2[i].get('href')#获取链接
company = t2[i].get('title')#获取公司名
location = t3[i+1].text#获取工作地点
salary = t4[i+1].text#获取薪水
date = t5[i+1].text#获取发布日期
print(job + " " + company + " " + location + " " + salary + " " + date + " " + href)
f.write(k,0,job)
f.write(k,1,company)
f.write(k,2,location)
f.write(k,3,salary)
f.write(k,4,date)
k+=1#每存储一行 k值加1
wb.save('招聘.csv')#写完后掉用save方法进行保存
except TimeoutError:
print("请求失败")
return  None
if __name__=='__main__':
get_html()

小提示：记得先安装xlwt库，不然运行程序会报错哟