目的：输入要爬取的职位名称，五个意向城市，爬取智联招聘上的该信息，并打印进表格中
####基本环境配置：
- Python版本：2.7
- 开发工具：pycharm
- 系统：win10
####相关模块：
import urllib2
import re
import xlwt
####完整代码：
import urllib2
import re
import xlwt
'''
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 ZLZP(object):
def __init__(self,workname,citys):
# 记录查找工作名称
self.workname = workname
# 基础URL地址
self.url = 'http://sou.zhaopin.com/jobs/searchresult.ashx?'
# 工作名称
args = 'kw=%s&jl='%workname
# 工作地点
for city in citys:
# 判断城市是否为最后一个
if city == citys[-1]:
args += city
else:
args += city
args += '%2B'
# kw=python&jl=北京%2B上海%2B南京%2B广州%2B深圳
# 拼接完整的url地址
self.url += args
self.headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0'
}
# 根据页码获取某一页HTML源代码
def get_page(self,pageNum):
# 1.根据页码拼接完整的url地址
getUrl = self.url + '&p=%s'%pageNum
# 2.创建request对象
request = urllib2.Request(getUrl,headers=self.headers)
try:
response = urllib2.urlopen(request)
except Exception ,e:
print '获取第%s页数据失败，原因%s'%(pageNum,e)
return None
else:
return response.read()
# 从html代码中提取总职位数
def get_total(self,html):
# 1.准备正则表达式
pattern = re.compile(r'<span class="search_yx_tj.*?em>(.*?)</em>',re.S)
# 2.根据正则表达式从源代码中查找数据
rs = re.search(pattern,html)
# 3.记录总职位数，计算总页数
total = int(rs.group(1))
print '共搜索到%s个相关职位信息...'%total
# 不能被60整除，总页码+1
if total%60 == 0:
self.totalPage = total/60
else:
self.totalPage = total/60+1
# 提取数据函数
def get_data(self,html):
# 1.准备正则
# print html
pattern = re.compile(r'<table.*?class="newlist.*?<td class="zwmc.*?<a.*?>(.*?)</a>.*?<td class="gsmc.*?_blank">(.*?)</a>.*?<td class="zwyx">(.*?)</td.*?<td class="gzdd">(.*?)</td>',re.S)
# 2.从html源代码中搜索
results = re.findall(pattern,html)
# 3.去除数据中标签
rs_data = []
for rs in results:
remove_b = re.compile(r'<.*?>',re.S)
name = re.sub(remove_b,'',rs[0])
rs_tp = (name,rs[1],rs[2],rs[3])
rs_data.append(rs_tp)
return rs_data
# 开始爬虫函数
def start(self):
# 1.获取第一页查询职位的HTML源代码
html = self.get_page(1)
if html == None:
return
# 2.从html源代码中提取总职位数
self.get_total(html)
# 3.for循环循环总页数次(循环10次)
# 创建workbook对象
workbook = xlwt.Workbook(encoding='utf-8')
print type(self.workname)
# unicode 将一个str类型的字符串转换为unicode字符
# 中文编码格式GBK，
print type(unicode(self.workname,encoding='utf-8'))
name = u'智联表'+unicode(self.workname,encoding='utf-8')
print type(name)
sheet = workbook.add_sheet(name)
sheet.write(0,0,'职位名称')
sheet.write(0,1,'公司名称')
sheet.write(0,2,'职位月薪')
sheet.write(0,3,'工作地点')
# count 记录当前的行号
count = 1
for x in range(1,11):
# 1.根据页码获取该页的HTML源代码
print '正在写入第%s页数据....'%x
html = self.get_page(x)
if html == None:
continue
# 2.从html源代码中提取数据
rs_data = self.get_data(html)
# 3.写入本地文件
for rs in rs_data:
sheet.write(count,0,rs[0])
sheet.write(count,1,rs[1])
sheet.write(count,2,rs[2])
sheet.write(count,3,rs[3])
count+=1
# 保存文件
print type(self.workname)
filename = u'智联%s职位信息.xls'%unicode(self.workname,encoding='utf-8')
workbook.save(filename)
'''
Python3之前：
要存储到本地的数据，保证是UTF-8编码
要在Python中使用的字符，保证是Unicode类型的字符
unicode(self.workname,encoding='utf-8')
字符串类型 str 输入的文本内容、''或""包裹的文本
'''
if __name__ == '__main__':
workname = raw_input('请输入要查询的工作名称：')
# 存放工作城市
citys = []
# 只要城市小于5个，继续输入城市
while len(citys) < 5:
city = raw_input('请输入意向城市,最多输入5个,输入0结束：')
if city == '0':
break
citys.append(city)
zlzp = ZLZP(workname,citys)
zlzp.start()