IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 网络爬虫爬取招聘网站 -> 正文阅读

[人工智能]网络爬虫爬取招聘网站


前言

毕业将近,大部分学生面临找工作的压力,如何快速的找到自己心仪的岗位并且及时投递简历成为同学们关心的问题,请设计和实现一个爬取主流招聘网站(例如拉勾网)招聘信息的爬虫。


一、爬虫是什么?

爬虫的本质是模拟浏览器打开网页,获取我们需要的数据内容并保存到数据库或者excel里。

二、爬取代码

代码如下(示例):

from bs4 import BeautifulSoup
import re
import urllib.request,urllib.error
import sqlite3
import os
from urllib import parse
kw = input("请输入搜索岗位:")
keywrod = parse.quote(parse.quote(kw))

def main():
    print("开始爬取。。。")
    baseurl = "https://search.51job.com/list/090200,000000,0000,00,9,99,"+ keywrod +",2,1.html"
    datalist=getData(baseurl)
    db_savepath="51job.db"
    saveData_db(datalist,db_savepath)
    print("爬取完毕!")
# 识别内容
findjob=re.compile(r'"is_special_job":"",(.*?),"adid":""')
# 职位详情链接
findjob_L=re.compile(r'"job_href":"(.*?)",')
# 职位名称
findjob_n=re.compile(r'"job_name":"(.*?)",')
# 公司详情链接
findcompany_L=re.compile(r'"company_href":"(.*?)",')
# 公司名称
findcompany_n=re.compile(r'"company_name":"(.*?)",')
# 提供薪水
findsalary=re.compile(r'"providesalary_text":"(.*?)",')
# 工作区域
findarea=re.compile(r'"workarea_text":"(.*?)",')
# 公司类型
findcompany_t=re.compile(r'"companytype_text":"(.*?)",')
# 职位福利
findjob_w=re.compile(r'"jobwelf":"(.*?)",')
# 公司规模
findcompany_s=re.compile(r'"companysize_text":"(.*?)",')
# 公司主营
findcompany_i=re.compile(r'"companyind_text":"(.*?)"')
# 其他
findjob_a=re.compile(r'"attribute_text":(.*?)]')
#爬取网页
def getData(baseurl):
    datalist = []
    for i in range(10):
        url=baseurl+str(i)+".html"
        html = askURL(url)
        print("正在爬取第%d页数据..."%i)
        # 解析数据
        soup = BeautifulSoup(html, "html.parser")
        ps=soup.find_all("script",type="text/javascript")
        ps_l=str(ps[2])
        for j_list in re.findall(findjob, ps_l):
            data = []
            job_href = re.findall(findjob_L, j_list)[0]
            job_href = job_href.replace("\\", "")
            data.append(job_href)

            job_name = re.findall(findjob_n, j_list)[0]
            job_name = job_name.replace("\\", "")
            data.append(job_name)

            company_href = re.findall(findcompany_L, j_list)[0]
            company_href = company_href.replace("\\", "")
            data.append(company_href)

            company_name = re.findall(findcompany_n, j_list)[0]
            company_name = company_name.replace("\\", "")
            data.append(company_name)

            providesalary = re.findall(findsalary, j_list)[0]
            providesalary = providesalary.replace("\\", "")
            data.append(providesalary)

            workarea = re.findall(findarea, j_list)[0]
            workarea = workarea.replace("\\", "")
            data.append(workarea)

            companytype = re.findall(findcompany_t, j_list)[0]
            data.append(companytype)

            jobwelf = re.findall(findjob_w, j_list)[0]
            data.append(jobwelf)

            companysize_text = re.findall(findcompany_s, j_list)[0]
            data.append(companysize_text)

            companyind_text = re.findall(findcompany_i, j_list)[0]
            companyind_text = companyind_text.replace("\\", "")
            data.append(companyind_text)

            attribute_text = re.findall(findjob_a, j_list)[0]
            attribute_text=attribute_text.replace('"',"")+"]"
            data.append(attribute_text)

            datalist.append(data)

    print("爬取完毕!")
    return datalist

#得到指定的网页内容
def askURL(url):
    head={
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.93 Safari/537.36 Edg/96.0.1054.53",
        "Accept": "text / html, application / xhtml + xml, application / xml;    q = 0.9, image / webp, image / apng, * / *;q = 0.8, application / signed - exchange;    v = b3;    q = 0.9",
        #"Cookie": '''guid=129f518e4b1d964be3ec59fd44319ee3; _ujz=MTg0NDQxOTY5MA%3D%3D; nsearch=jobarea%3D%26%7C%26ord_field%3D%26%7C%26recentSearch0%3D%26%7C%26recentSearch1%3D%26%7C%26recentSearch2%3D%26%7C%26recentSearch3%3D%26%7C%26recentSearch4%3D%26%7C%26collapse_expansion%3D; 51job=cenglish%3D0%26%7C%26; search=jobarea%7E%60150300%7C%21ord_field%7E%600%7C%21recentSearch0%7E%60150300%A1%FB%A1%FA000000%A1%FB%A1%FA0000%A1%FB%A1%FA00%A1%FB%A1%FA99%A1%FB%A1%FA%A1%FB%A1%FA99%A1%FB%A1%FA99%A1%FB%A1%FA99%A1%FB%A1%FA99%A1%FB%A1%FA9%A1%FB%A1%FA99%A1%FB%A1%FA%A1%FB%A1%FA0%A1%FB%A1%FA%CE%DF%BA%FE%A1%FB%A1%FA2%A1%FB%A1%FA1%7C%21recentSearch1%7E%60150300%A1%FB%A1%FA000000%A1%FB%A1%FA0000%A1%FB%A1%FA00%A1%FB%A1%FA99%A1%FB%A1%FA%A1%FB%A1%FA99%A1%FB%A1%FA99%A1%FB%A1%FA99%A1%FB%A1%FA99%A1%FB%A1%FA9%A1%FB%A1%FA99%A1%FB%A1%FA%A1%FB%A1%FA0%A1%FB%A1%FA%A1%FB%A1%FA2%A1%FB%A1%FA1%7C%21'''
    }
    request=urllib.request.Request(url,headers=head)
    html=""
    try:
        response=urllib.request.urlopen(request)
        html=response.read().decode('gbk')
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html
#保存数据
def init_db(dbpath):
    if os.path.exists(dbpath):
        print("数据库文件已存在!")
    else:
        sql = '''
        create table if not exists job(
        id integer primary key autoincrement,
        job_href text ,
        job_name text ,
        company_href text ,
        company_name text ,
        providesalary text ,
        workarea text ,
        companytype text ,
        jobwelf text ,
        companysize_text text ,
        companyind_text text ,
        attribute_text text
        )
        '''
        conn=sqlite3.connect(dbpath)
        cursor=conn.cursor()
        cursor.execute(sql)
        conn.commit()
        conn.close()

def saveData_db(datalist,savepath):
    init_db(savepath)
    conn=sqlite3.connect(savepath)
    cur=conn.cursor()
    for data in datalist:
        for index in range(len(data)):
            data[index]='"'+data[index]+'"'
        sql='''
                insert into job(
                job_href,job_name,company_href,company_name,providesalary,workarea,companytype,jobwelf,companysize_text,companyind_text,attribute_text)
                values(%s)'''%",".join(data)
        cur.execute(sql)
        conn.commit()
    cur.close()
    conn.commit()
    print("爬取数据已存储到数据库文件!|",savepath)

if __name__ == '__main__':
    main()


总结
<font color=#999AAA >爬取过程需要配置环境,具体的知识细节可以查询python教程。
  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-12-24 18:28:52  更:2021-12-24 18:30:36 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/26 23:19:16-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码