• 周二. 10 月 8th, 2024

5G编程聚合网

5G时代下一个聚合的编程学习网

热门标签

[Python] 前程无忧招聘网爬取软件工程职位 网络爬虫 https://www.51job.com

admin

11 月 28, 2021

首先进入该网站的https://www.51job.com/robots.txt页面

给出提示:

1 找不到该页       File not found
2 
3 您要查看的页已删除,或已改名,或暂时不可用。
4 
5 请尝试以下操作:
6 如果您已经在地址栏中输入该网页的地址,请确认其拼写正确。
7 打开 www.51job.com 主页,然后查找指向您感兴趣信息的链接。
8 单击后退按钮,尝试其他链接。

  注:

  • 网络爬虫:自动或人工识别robots.txt,再进行内容爬取
  • 约束性:robots协议建议但非约束性,不遵守可能存在法律风险

如果一个网站不设置robots协议说明所有内容都可以爬取,所以为可爬取内容。

源程序如下:

  

 1 #!/usr/bin/env python
 2 # -*- coding: utf-8 -*-
 3 # @File  : HtmlParser.py
 4 # @Author: 赵路仓
 5 # @Date  : 2020/2/28
 6 # @Desc  : 前程无忧求职网的爬虫程序
 7 # @Contact : [email protected]
 8 
 9 from bs4 import BeautifulSoup
10 import requests
11 import csv
12 import re
13 import io
14 
15 # 请求头
16 head = {
17     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36'
18 }
19 # 链接
20 url = "https://search.51job.com/list/000000,000000,0000,00,9,99,%25E8%25BD%25AF%25E4%25BB%25B6,2,1.html?lang=c&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare="
21 
22 
23 # csv写入表头
24 def headcsv():
25     with open('/position.csv', 'w', encoding='utf-8', newline='') as csvfile:
26         writer = csv.writer(csvfile)
27         writer.writerow(["职位", "公司", "所在地", "薪酬", "日期", "网址"])
28 
29 
30 # txt写入表头
31 def headtxt():
32     ftxt = open('E:/data/position.txt', 'w', encoding='utf-8')
33     ftxt.write("职位 公司 所在地 薪酬 日期 网址")
34     ftxt.close()
35 
36 
37 def position(url, head):
38     # fcsv = open('/position.csv', 'a', encoding='utf-8', newline='')
39     ftxt = open('E:/data/position.txt', 'a', encoding='utf-8')
40     try:
41         r = requests.get(url, headers=head, timeout=3)
42         # 设置解析编码格式
43         r.encoding = r.apparent_encoding
44         print(r.apparent_encoding)
45         # 打印状态码
46         print(r.status_code)
47         # 打印页面代码
48         # print(r.text)
49         # print(soup.prettify())
50         text = r.text
51         soup = BeautifulSoup(text, 'html.parser')
52         # 一条招聘信息
53         item = soup.find_all(class_='el', recursive=True)
54         num = 0
55         for i in item:
56             num += 1
57             if num > 16:
58                 itemdetail = i.text.replace(" ", "").replace("
", " ").replace("   ", " ").lstrip() + i.find("a").attrs['href']
59                 print(itemdetail)
60                 ftxt.write(itemdetail.replace("
","")+'')
61                 print("写入成功")
62         ftxt.close()
63     except:
64         print("爬取职位过程中出错!")
65 
66 
67 def write(url, head):
68     for i in range(1, 2000):
69         url = "https://search.51job.com/list/000000,000000,0000,00,9,99,%25E8%25BD%25AF%25E4%25BB%25B6,2,"+str(i)+".html?lang=c&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare="
70         print(url)
71         position(url, head)
72 
73 
74 if __name__ == "__main__":
75     # head()
76     write(url, head)

所爬取条目分布为职位 公司 所在地 薪酬 日期 网址 ,保存路径为E:/data/position.txt可自行修改路径或者文件格式。

发表回复