其实分析的步骤都是类似的，无外乎是先分析网站信息，页面组成，然后编写代码爬取数据，最后再保存数据。
页面分析
我们选取一个岗位来分析，比如：Python。
在 Boss 直聘的官网上搜索 Python，可以看到浏览器的 URL 变为如下：
把该地址复制到 Postman 尝试访问，发现无法得到正确的返回：
此时，再次回到浏览器，查看该请求下面的 headers，可以看到其中有一个 cookie，是很长的一串字符串，我们拷贝这个 cookie 到 Postman 中如何从浏览器的url中获取信息，再次请求：
成功了，看来 Boss 直聘网也只是做了简单的 cookies 验证。
BeautifulSoup 使用
下面就是解析 HTML 数据了，我比较习惯用 BeautifulSoup 这个库来解析。
from bs4 import BeautifulSoup import requests ''' 更多Python学习资料以及源码教程资料，可以在群821460695 免费获取 ''' url = 'https://www.zhipin.com/job_detail/?query=python&city=101010100' res = requests.get(url, headers=header).text print(res) content = BeautifulSoup(res, "html.parser") ul = content.find_all('ul') print(ul[12])
可以使用 BeautifulSoup 的 find 函数来查找 HTML 的元素标签，个人觉得还是挺方便的。
编写代码
我们通过分析 HTML 网页可以知道，所有的工作信息都是保存在 ul 这个标签中的如何从浏览器的url中获取信息，我们可以通过上面的代码拿到页面中所有的 ul 标签，find_all 返回的是一个列表，然后再查看，工作具体位于第几个 ul 中，这样就拿到具体的工作信息了。
确定需要抓取的数据
如图中所示，我们需要抓取红框中的信息，主要分为四部分。
对于前三个信息，还是比较好抓取的。
job_details_uri = job.find('h3', attrs={'class': 'name'}).find('a')['href']
job_company = job.find('div', attrs={'class': 'company-text'}).find('h3', attrs={'class': 'name'}).find('a').text
job_salary = job.find('h3', attrs={'class': 'name'}).find('span', attrs={'class': 'red'}).text
对于 job 的详情信息，需要用到正则表达式来分割字符串，我们先来看下该部分的原始形式：
又可以把该部分切分成三块，site、year 和 edu。可以使用正则的 group 特性，帮助我们完成切分，最后我写的正则如下：
rege = r'([u4e00-u9fa5 ]+)([d+-年]+|[u4e00-u9fa5]+)([u4e00-u9fa5]+)'
正则表达式的具体写法这里就不说了，不熟悉的可以自行查找下。
下面把这部分代码整合到一起：
for job in jobs:
job_dict = {}
job_details_uri = job.find('h3', attrs={'class': 'name'}).find('a')['href']
job_company = job.find('div', attrs={'class': 'company-text'}).find('h3', attrs={'class': 'name'}).find('a').text
job_salary = job.find('h3', attrs={'class': 'name'}).find('span', attrs={'class': 'red'}).text
job_details = str(job.find('p'))
print(job_details)
job_rege = re.match(rege, job_details)
job_dict['name'] = job_company
job_dict['uri'] = job_details_uri
job_dict['salary'] = job_salary
job_dict['site'] = job_rege.group(1)
job_dict['year'] = job_rege.group(2)
job_dict['edu'] = job_rege.group(3)
job_list.append(job_dict)
print(job_list)
由于我们最后还是得到了一个列表，里面包含字典，同样可以快捷的保存到 MongoDB 中。
抓取多个页面
通过查看 Boss 网站的下一页源码可得到翻页 URL 的规律：
https://www.zhipin.com/c101010100/?query=python&page=
于是我们最后整合代码如下：
def jobs(page):
for i in range(1, page + 1):
job_list = []
try:
print("正在抓取第 %s 页数据" % i)
uri = '/c101010100/?query=python&page=%s' % i
res = requests.get(config.url + uri, headers=header).text
content = BeautifulSoup(res, "html.parser")
ul = content.find_all('ul')
jobs = ul[12].find_all("li")
...
print(job_list)
# save to mongoDB
try:
mongo_collection.insert_many(job_list)
except:
continue
time.sleep(1)
except:
continue
因为我上面的正在表达式并不能匹配所有的情况，所以使用 try…except 来忽略了其他不规则的情况。
岗位详情抓取
job 详情抓取完毕之后，开始抓取岗位详情，就是每个 job 的具体要求，毕竟知己知彼，百战不殆。
我们可以从 URI 中获得每个工作的详情页面地址，然后再拼接到 Boss 的主 URL 上：
~.html
再来看下工作详情页面，所有的任职描述都在如下的 div 标签中：
没有什么特殊的，直接用 BeautifulSoup 解析即可。
job_conn = MongoClient("mongodb://%s:%s@ds151612.mlab.com:51612/boss" % ('boss', 'boss123'))
job_db = job_conn.boss
job_collection = job_db.boss
details_collection = job_db.job_details
def run_main():
jobs = job_collection.find()
for job in jobs:
print('获得工作的uri ', job['uri'])
get_details(job)
time.sleep(1)
def get_details(items):
base_url = config.url
url = base_url + items['uri']
company_name = items['name']
try:
res = requests.get(url, headers=header).text
content = BeautifulSoup(res, "html.parser")
text = content.find('div', attrs={'class': 'text'}).text.strip()
result = {'name': company_name, 'details': text}
details_collection.insert_one(result)
except:
raise
if __name__ == '__main__':
run_main()
注意下这里的 MongoDB 配置，是同一个 db 下的不同 collection。这样，也就完成了直聘网站相关岗位的数据爬取。
爬取的数据 MongoDB 链接：
job_conn = MongoClient("mongodb://%s:%s@ds151612.mlab.com:51612/boss" % ('boss', 'boss123'))
job_db = job_conn.boss
job_collection = job_db.boss
details_collection = job_db.job_details
完整代码
import requests from bs4 import BeautifulSoup import config import re from pymongo import MongoClient import time ''' 更多Python学习资料以及源码教程资料，可以在群821460695 免费获取 ''' header = config.header rege = r'([u4e00-u9fa5 ]+)([d+-年]+|[u4e00-u9fa5]+)([u4e00-u9fa5]+)' conn = MongoClient("mongodb://%s:%s@ds151612.mlab.com:51612/boss" % ('boss', 'boss123')) db = conn.boss mongo_collection = db.boss def jobs(page): for i in range(1, page + 1): job_list = [] try: print("正在抓取第 %s 页数据" % i) uri = '/c101010100/?query=python&page=%s' % i res = requests.get(config.url + uri, headers=header).text content = BeautifulSoup(res, "html.parser") ul = content.find_all('ul') jobs = ul[12].find_all("li") for job in jobs: job_dict = {} job_details_uri = job.find('h3', attrs={'class': 'name'}).find('a')['href'] job_company = job.find('div', attrs={'class': 'company-text'}).find('h3', attrs={'class': 'name'}).find( 'a').text job_salary = job.find('h3', attrs={'class': 'name'}).find('span', attrs={'class': 'red'}).text job_details = str(job.find('p')) job_rege = re.match(rege, job_details) job_dict['name'] = job_company job_dict['uri'] = job_details_uri job_dict['salary'] = job_salary try: job_dict['site'] = job_rege.group(1) job_dict['year'] = job_rege.group(2) job_dict['edu'] = job_rege.group(3) except: continue job_list.append(job_dict) print(job_list) # save to mongoDB try: mongo_collection.insert_many(job_list) except: continue time.sleep(1) except: continue if __name__ == '__main__': jobs(10)
Python 爬虫“王者”：Boss 直聘网站爬取
本文到此结束，希望对大家有所帮助！
