我们先通过百度搜索智联招聘，进入智联招聘官网，一看，傻眼了，需要登录才能查看招聘信息
没办法，用账号登录进去，登录后的网页如下：
输入职位名称点击搜索，显示如下网页：
把这个URL：https://sou.zhaopin.com/?jl=765&kw=软件测试&kt=3 拷贝下来，退出登录，再在浏览器地址栏输入复制下来的URL
哈哈，居然不用登录，也可以显示搜索的职位信息。好了，到这一步，目的达成。
接下来，我们来分析下页面，打开浏览器的开发者工具，选择Network，查看XHR，重新刷新一次页面，可以看到有多个异步加载信息
查看每个请求的返回消息，我们可以找到其中有个请求已JSON方式返回了符合要求的总职位数以及职位链接等信息
点击Headers,查看这个请求的URL：
我们把Request URL复制到浏览器中打开，没错就是我们需要的信息：
我们可以知道：
1、pageSize:每页开始的值，第一页是0，第二是60，第三页是120，以此类推
2、cityId:是城市编码，直接输入城市名，也是可以的，比如：深圳
3、kw:搜索时输入的关键词，也就是职位名称
其他的字段都可以不变。
分析完了之后，我们可以开始写代码了：
我们先定义一个日志模块，保存爬虫过程中的日志：
log.py
# !usr/bin/env python3
# -*- coding:utf-8 -*-
import logging
import os
from logging.handlers import TimedRotatingFileHandler
'''
遇到不懂的问题？Python学习交流群：821460695满足你的需求，资料都已经上传群文件，可以自行下载！
'''
class Logger:
def __init__(self, logger_name='easton'):
self.logger = logging.getLogger(logger_name)
logging.root.setLevel(logging.NOTSET)
self.log_file_name = 'spider_zhilian.log'
self.backup_count = 5
# 日志输出级别
self.console_output_level = 'WARNING'
self.file_output_level = 'DEBUG'
# 日志输出格式
pattern='%(asctime)s - %(levelname)s - %(message)s'
self.formatter = logging.Formatter(pattern)
# 日志路径
if not os.path.exists('log'):
os.mkdir('log')
self.log_path = os.path.join(os.getcwd(),'log')
def get_logger(self):
"""在logger中添加日志句柄并返回，如果logger已有句柄，则直接返回"""
if not self.logger.handlers:
console_handler=logging.StreamHandler()
console_handler.setFormatter(self.formatter)
console_handler.setLevel(self.console_output_level)
self.logger.addHandler(console_handler)
# 每天重新创建一个日志文件，最多保留backup_count份
file_handler = TimedRotatingFileHandler(filename=os.path.join(self.log_path, self.log_file_name),
when='D',
interval=1,
backupCount=self.backup_count,
delay=True,
encoding='utf-8'
)
file_handler.setFormatter(self.formatter)
file_handler.setLevel(self.file_output_level)
self.logger.addHandler(file_handler)
return self.logger
logger = Logger().get_logger()
用一个简单的方法来实现增量爬取，把爬取的URL以hashlib加密，加密后返回32个字符，为了节省内存，只取中间的16个字符，这样也可以保证每个不同的URL有不同的加密字符，把爬取的URL加密字符保存到集合中，在爬取完成后，序列化保存到本地磁盘，下次再次爬取时，反序列化保存的URL到内存，对于已经爬取的URL不再爬取，这样就实现了增量爬取。
URL加密：
def hash_url(url):
'''
对URL进行加密，取加密后中间16位
:param url:已爬取的URLL
:return:加密的URL
'''
m = hashlib.md5()
m.update(url.encode('utf-8'))
return m.hexdigest()[8:-8]
序列化：
def save_progress(data, path):
'''
序列化保存已爬取的URL文件
:param data:要保存的数据
:param path:文件路径
:return:
'''
try:
with open(path, 'wb+') as f:
pickle.dump(data, f)
logger.info('save url file success!')
except Exception as e:
logger.error('save url file failed:',e)
save_progress
反序列化：
def load_progress( path):
'''
反序列化加载已爬取的URL文件
:param path:
:return:
'''
logger.info("load url file of already spider：%s" % path)
try:
with open(path, 'rb') as f:
tmp = pickle.load(f)
return tmp
except:
logger.info("not found url file of already spider!")
return set()
load_progress
获取符合要求的职位总页数：从JSON消息中获取numFound字段，这个是总条数，再除以60，向上取整，返回的就是总页数
def get_page_nums(cityname,jobname):
'''
获取符合要求的工作页数
:param cityname: 城市名
:param jobname: 工作名
:return: 总数
'''
url = r'https://fe-api.zhaopin.com/c/i/sou?pageSize=60&cityId={}&workExperience=-1&education=-1' \
r'&companyType=-1&employmentType=-1&jobWelfareTag=-1&kw={}&kt=3'.format(cityname,jobname)
logger.info('start get job count...')
try:
rec = requests.get(url)
if rec.status_code==200:
j = json.loads(rec.text)
count_nums = j.get('data')['numFound']
logger.info('get job count nums sucess:%s'%count_nums)
page_nums = math.ceil(count_nums/60)
logger.info('page nums:%s' % page_nums)
return page_nums
except Exception as e:
logger.error('get job count nums faild:%s',e)
get_page_nums
获取每页的职位连接：JSON消息中的positionURL就是职位链接，在这里我们顺便获取职位的创建时间，更新时间，截止时间以及职位福利，以字典返回
def get_urls(start,cityname,jobname):
'''
获取每页工作详情URL以及部分职位信息
:param start: 开始的工作条数
:param cityname: 城市名
:param jobname: 工作名
:return: 字典
'''
url = r'https://fe-api.zhaopin.com/c/i/sou?start={}&pageSize=60&cityId={}&workExperience=-1&education=-1' \
r'&companyType=-1&employmentType=-1&jobWelfareTag=-1&kw={}&kt=3'.format(start,cityname,jobname)
logger.info('spider start:%s',start)
logger.info('get current page all job urls...')
url_list=[]
try:
rec = requests.get(url)
if rec.status_code == 200:
j = json.loads(rec.text)
results = j.get('data').get('results')
for job in results:
empltype = job.get('emplType') # 职位类型，全职or校园
if empltype=='全职':
url_dict = {}
url_dict['positionURL'] = job.get('positionURL') # 职位链接
url_dict['createDate'] = job.get('createDate') # 招聘信息创建时间
url_dict['updateDate'] = job.get('updateDate') # 招聘信息更新时间
url_dict['endDate'] = job.get('endDate') # 招聘信息截止时间
positionLabel = job.get('positionLabel')
if positionLabel:
jobLight = (re.search('"jobLight":\[(.*?|[\u4E00-\u9FA5]+)\]',job.get('positionLabel'))) # 职位亮点
url_dict['jobLight'] = jobLight.group(1) if jobLight else None
else:
url_dict['jobLight'] = None
url_list.append(url_dict)
logger.info('get current page all job urls success:%s' % len(url_list))
return url_list
except Exception as e:
logger.error('get current page all job urls faild:%s', e)
return None
get_urls
在浏览器中输入一个职位链接，查看页面信息
在这里我们以lxml来解析页面，解析结果以字典保存到生成器中
def get_job_info(url_list,old_url):
'''
获取工作详情
:param url_list: 列表
:return: 字典
'''
if url_list:
for job in url_list:
url = job.get('positionURL')
h_url = hash_url(url)
if not h_url in old_url:
logger.info('spider url:%s'%url)
try:
response = requests.get(url)
if response.status_code == 200:
s = etree.HTML(response.text)
job_stat = s.xpath('//div[@class="main1 cl main1-stat"]')[0]
stat_li_first = job_stat.xpath('./div[@class="new-info"]/ul/li[1]')[0]
job_name = stat_li_first.xpath('./h1/text()')[0] # 工作名
salary = stat_li_first.xpath('./div/strong/text()')[0] # 月薪
stat_li_second = job_stat.xpath('./div[@class="new-info"]/ul/li[2]')[0]
company_url = stat_li_second.xpath('./div[1]/a/@href')[0] # 公司URL
company_name = stat_li_second.xpath('./div[1]/a/text()')[0] # 公司名称
city_name = stat_li_second.xpath('./div[2]/span[1]/a/text()')[0] # 城市名
workingExp = stat_li_second.xpath('./div[2]/span[2]/text()')[0] # 工作经验
eduLevel = stat_li_second.xpath('./div[2]/span[3]/text()')[0] # 学历
amount = stat_li_second.xpath('./div[2]/span[4]/text()')[0] # 招聘人数
job_text = s.xpath('//div[@class="pos-ul"]//text()') # 工作要求
job_desc = ''
for job_item in job_text:
job_desc = job_desc+job_item.replace('\xa0','').strip('\n')
job_address_path = s.xpath('//p[@class="add-txt"]/text()') # 上班地址
job_address = job_address_path[0] if job_address_path else None
company_text = s.xpath('//div[@class="intro-content"]//text()') # 公司信息
company_info=''
for item in company_text:
company_info = company_info+item.replace('\xa0','').strip('\n')
promulgator = s.xpath('//ul[@class="promulgator-ul cl"]/li')
compant_industry = promulgator[0].xpath('./strong//text()')[0] #公司所属行业
company_type = promulgator[1].xpath('./strong/text()')[0] #公司类型：民营，国企，上市
totall_num = promulgator[2].xpath('./strong/text()')[0] #公司总人数
company_addr = promulgator[4].xpath('./strong/text()')[0].strip() #公司地址
logger.info('get job info success!')
old_url.add(h_url)
yield {
'job_name':job_name, # 工作名称
'salary':salary, # 月薪
'company_name':company_name, # 公司名称
'eduLevel':eduLevel, # 学历
'workingExp':workingExp, # 工作经验
'amount':amount, # 招聘总人数
'jobLight':job.get('jobLight'), # 职位亮点
'city_name':city_name, # 城市
'job_address':job_address, # 上班地址
'createDate':job.get('createDate'), # 创建时间
'updateDate':job.get('updateDate'), # 更新时间
'endDate':job.get('endDate'), # 截止日期
'compant_industry':compant_industry, # 公司所属行业
'company_type':company_type, # 公司类型
'totall_num':totall_num, # 公司总人数
'company_addr':company_addr, # 公司地址
'job_desc':job_desc, # 岗位职责
'job_url':'url', # 职位链接
'company_info':company_info, # 公司信息
'company_url':company_url # 公司链接
}
except Exception as e:
logger.error('get job info failed:',url,e)
get_job_info
输出到CSV
headers = ['职业名', '月薪', '公司名', '学历', '经验', '招聘人数', '公司亮点','城市', '上班地址',
'创建时间', '更新时间', '截止时间', '行业', '公司类型', '公司总人数', '公司地址',
'岗位描述', '职位链接', '信息', '公司网址']
def write_csv_headers(csv_filename):
with open(csv_filename,'a',newline='',encoding='utf-8-sig') as f:
f_csv = csv.DictWriter(f,headers)
f_csv.writeheader()
def save_csv(csv_filename,data):
with open(csv_filename,'a+',newline='',encoding='utf-8-sig') as f:
f_csv = csv.DictWriter(f,data.keys())
f_csv.writerow(data)
csv
最后就是主函数了：
def main():
if not os.path.exists(output_path):
os.mkdir(output_path)
for jobname in job_names:
for cityname in city_names:
logger.info('*'*10+'start spider '+'jobname:'+jobname+'city:'+cityname+'*'*10)
total_page = get_page_nums(cityname,jobname)
old_url = load_progress('old_url.txt')
csv_filename=output_path+'/{0}_{1}.csv'.format(jobname,cityname)
if not os.path.exists(csv_filename):
write_csv_headers(csv_filename)
for i in range(int(total_page)):
urls = get_urls(i*60, cityname, jobname)
data = get_job_info(urls, old_url)
for d in data:
save_csv(csv_filename,d)
save_progress(old_url,'old_url.txt')
logger.info('*'*10+'jobname:'+jobname+'city:'+cityname+' spider finished!'+'*'*10)
main
打印爬虫耗时总时间：
city_names = ['深圳','广州']
job_names = ['软件测试','数据分析']
output_path = 'output'
if __name__=='__main__':
start_time = datetime.datetime.now()
logger.info('*'*20+"start running spider!"+'*'*20)
main()
end_time = datetime.datetime.now()
logger.info('*'*20+"spider finished!Running time:%s"%(start_time-end_time) + '*'*20)
print("Running time:%s"%(start_time-end_time))