百木园前言
嗨喽~大家好呀，这里是魔王呐
现在，很多人不是在找工作的途中就是在找工作的路上（我的废话文学😂）
所以我今天来采集一下招聘网站，让我们来看看找工作主要要学会什么？
环境使用:
- Python 3.8
- Pycharm ---> 汉化插件 translation
模块使用:
- requests >>> pip install requests
- re
- json
- csv
如果安装python第三方模块:
-
win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
-
在pycharm中点击Terminal(终端) 输入安装命令
如何配置pycharm里面的python解释器?
- 选择file(文件) >>> setting(设置) >>> Project(项目) >>> python interpreter(python解释器)
- 点击齿轮, 选择add
- 添加python安装路径
pycharm如何安装插件?
- 选择file(文件) >>> setting(设置) >>> Plugins(插件)
- 点击 Marketplace 输入想要安装的插件名字 比如:翻译插件 输入 translation / 汉化插件 输入 Chinese
- 选择相应的插件点击 install(安装) 即可
- 安装成功之后 是会弹出 重启pycharm的选项 点击确定, 重启即可生效
基本流程思路: <通用>
解答、教程可加Q:832157862免费获取哦~
一. 数据来源分析
- 确定需求, 明确采集数据内容是什么?
- 通过开发者工具进行抓包分析, 分析数据来源, 请求那个url地址可以获取相关数据内容
I. F12或者鼠标右键点击检查 选择network 刷新网页
II. 通过关键字 搜索找相应数据包
二. 代码实现步骤
- 发送请求, 对于分析得到url地址发送请求 <模拟浏览器对于url发送请求>
- 获取数据, 获取response响应数据 ---> 服务器返回响应数据
- 解析数据, 提取我们想要数据内容 ---> 招聘基本信息
- 保存数据, 保存表格里面
- 多页采集, 多页数据采集
代码
# 导入数据请求模块 ---> 第三方模块 需要 pip install requests 导入模块没有使用 灰色 import requests # 导入正则模块 ---> 内置模块 不需要安装 import re # 导入json ---> 内置模块 不需要安装 import json # 导入格式化输出模块 ---> 内置模块 不需要安装 import pprint # 导入csv模块 import csv # 导入时间模块 import time # 导入随机模块 import random 源码、解答、教程可加Q裙：832157862 # 创建文件 f = open(\'python招聘10页.csv\', mode=\'a\', encoding=\'utf-8\', newline=\'\') csv_writer = csv.DictWriter(f, fieldnames=[ \'职位\', \'公司名\', \'薪资\', \'城市\', \'经验\', \'学历\', \'公司类型\', \'公司规模\', \'公司领域\', \'福利待遇\', \'发布日期\', \'公司详情页\', \'职位详情页\', ]) # 写入表头 csv_writer.writeheader() \"\"\" 1. 发送请求, 对于分析得到url地址发送请求 <模拟浏览器对于url发送请求> 模拟浏览器 ---> headers 在开发者工具里面headers下面的 requests headers里面 请求头, 字典数据类型, 要构建完整键值对 <Response [200]> 说明对于url地址发送请求成功了, 但是不一定得到你想要的数据 被反爬, 状态码可能还是200, 但是返回数据不是你想要的内容 \"\"\" for page in range(1, 11): print(f\'----------------正在采集第{page}页数据内容----------------\') time.sleep(random.randint(1, 2)) # 确定url地址 --> 可以直接复制 url = f\'https://search.51job.com/list/010000%252C020000%252C030200%252C040000%252C090200,000000,0000,00,9,99,python,2,{page}.html\' # 模拟浏览器 headers 请求头 伪装 headers = { # User-Agent 用户代理, 表示浏览器基本身份标识 \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36\' } # 发送请求 使用什么请求方式, 取决于开发者工具里的内容 response = requests.get(url=url, headers=headers) # <Response [200]> 响应对象 200 状态码 请求成功 print(response) # 获取数据, 获取服务器返回响应数据---> 获取文本数据 print(response.text) \"\"\" 解析数据 ---> 提取我们想要数据内容 解析方法比较多: re css xpath json解析.... 如何选择方法 根据返回数据类型以及我想要数据内容情况 re.findall() 调用re模块里面findall方法 通过re模块找到所有我们想要数据内容 ---> 告诉它去哪里找, 找什么样数据 正则匹配提取出来数据, 返回列表 ---> \"\"\" # 提取招聘数据 re.findall() 源码、解答、教程可加Q裙：832157862 html_data = re.findall(\'window.__SEARCH_RESULT__ = (.*?)</script>\', response.text)[0] # 把字符串数据转成json字典数据 json_data = json.loads(html_data) # print 打印字典数据, 一行展示 pprint.pprint 打印字典数据类型, 格式化展开的效果 print(json_data) pprint.pprint(json_data) # 字典取值 ---> 根据键值对取值 根据冒号左边的内容[键], 提取冒号右边的内容[值] # for循环遍历 把列表里面数据一个一个提取出来 for index in json_data[\'engine_jds\']: # 提取数据, 用字典 保存内容 学历是敲门砖, 技术才是铁饭碗.... 毕业出来 3500 dit = { \'职位\': index[\'job_name\'], \'公司名\': index[\'company_name\'], \'薪资\': index[\'providesalary_text\'], \'城市\': index[\'workarea_text\'], \'经验\': index[\'attribute_text\'][1], \'学历\': index[\'attribute_text\'][-1], \'公司类型\': index[\'companytype_text\'], \'公司规模\': index[\'companysize_text\'], \'公司领域\': index[\'companyind_text\'], \'福利待遇\': index[\'jobwelf\'], \'发布日期\': index[\'issuedate\'], \'公司详情页\': index[\'company_href\'], \'职位详情页\': index[\'job_href\'], } # 写入数据 csv_writer.writerow(dit) print(dit)
尾语
成功没有快车道，幸福没有高速路。
幸福是可以通过学习来获得的，尽管它不是我们的母语。
——励志语录
本文章到这里就结束啦~感兴趣的小伙伴可以复制代码去试试哦
对啦！！记得三连哦~ 💕 另外，欢迎大家阅读我往期的文章呀~
来源：https://www.cnblogs.com/Qqun261823976/p/16481543.html
本站部分图文来源于网络，如有侵权请联系删除。