python爬虫-抓取BOSS直聘python岗位招聘信息

说明

最近忙着找工作，想了解一下用人单位的招聘要求，以爬取boss直聘的招聘信息作为参考。这里记录一下的爬取流程，并不作为其它用途！

分析页面结构

• 通过分析页面，发现招聘的详细信息都在详情页（如下图），故通过详情页来提取招聘内容
  

  

设计爬虫策略

1. 通过列表页获取详细页的url地址，然后存入到url队列中，发现列表页有10页，这里使用多线程提高爬取效率；

2. 通过url队列中的详情页url地址得到详情页的html内容，采用xpath解析，提取招聘信息，以字典形式存入data队列中，这里也采用多线程；

3. 将data队列中的数据保存为json文件，这里每保存的一个json文件都是一个列表页所有的招聘信息。

页面请求方式的判断

• 不难发现，这里是通过get请求并添加查询字符串获取指定页面的；

• 查询字符串参数的含义：query=python表示搜索的职位，page=1表示列表页的页码，ka=page-1这个没用到可以忽略掉；

• 对应的代码如下：

# 正则表达式：去掉标签中的<br/> 和 <em></em>标签，便于使用xpath解析提取文本regx_obj = re.compile(r'<br/>|<(em).*?>.*?</\1>')def send_request(url_path, headers, param=None):
    """
    :brief 发送请求，获取html响应(这里是get请求)
    :param url_path: url地址
    :param headers: 请求头参数
    :param param: 查询参数, 如：param = {'query': 'python', 'page': 1}
    :return: 返回响应内容
    """
    response = requests.get(url=url_path, params=param, headers=headers)
    response = regx_obj.sub('', response.text)    return response

通过列表页获取详情页url

• 这里通过xpath语法@href获取a标签href属性值，拿到详细页url地址，代码如下：

def detail_url(param):
    """
    :brief 获取详情页的url地址
    :param param:  get请求的查询参数
    :return: None
    """
    wuhan_url = '/'.join([base_url, "c101200100/h_101200100/"])
    html = send_request(wuhan_url, headers, param=param)    # 列表页页面
    html_obj = etree.HTML(html)    # 提取详情页url地址
    nodes = html_obj.xpath(".//div[@class='info-primary']//a/@href")    for node in nodes:
        detail_url = '/'.join([base_url, node])  # 拼接成完整的url地址
        print(detail_url)
        url_queue.put(detail_url)  # 添加到队列中

解析详情页的数据

• 通过xpath解析数据，然后将数据存储为字典放到队列中，代码如下：

def parse_data():
    """
    :brief 从html文本中提取指定信息
    :return: None
    """
    # # 解析为HTML文档
    try:        while True:            # 等待25s，超时则抛出异常
            detail_url = url_queue.get(timeout=25)
            html = send_request(detail_url, headers, param=None)
            html_obj = etree.HTML(html)
            item = {}            # 发布日期
            item['publishTime'] = html_obj.xpath(".//div[@class='info-primary']//span[@class='time']/text()")[0]            # 职位名
            item['position'] = html_obj.xpath(".//div[@class='info-primary']//h1/text()")[0]            # 发布者姓名
            item['publisherName'] = html_obj.xpath("//div[@class='job-detail']//h2/text()")[0]            # 发布者职位
            item['publisherPosition'] = html_obj.xpath("//div[@class='detail-op']//p/text()")[0]            # 薪水
            item['salary'] = html_obj.xpath(".//div[@class='info-primary']//span[@class='badge']/text()")[0]            # 公司名称
            item['companyName'] = html_obj.xpath("//div[@class='info-company']//h3/a/text()")[0]            # 公司类型
            item['companyType'] = html_obj.xpath("//div[@class='info-company']//p//a/text()")[0]            # 公司规模
            item['companySize'] = html_obj.xpath("//div[@class='info-company']//p/text()")[0]            # 工作职责
            item['responsibility'] = html_obj.xpath("//div[@class='job-sec']//div[@class='text']/text()")[0].strip()            # 招聘要求
            item['requirement'] = html_obj.xpath("//div[@class='job-banner']//div[@class='info-primary']//p/text()")[0]
            print(item)
            jobs_queue.put(item)  # 添加到队列中
            time.sleep(15)    except:        pass

保存数据为json文件

代码如下：

def write_data(page):
    """
    :brief 将数据保存为json文件
    :param page: 页面数
    :return: None
    """
    with open('D:/wuhan_python_job_{}.json'.format(page), 'w', encoding='utf-8') as f:
        f.write('[')        try:            while True:
                job_dict = jobs_queue.get(timeout=25)
                job_json = json.dumps(job_dict, indent=4, ensure_ascii=False)
                f.write(job_json + ',')        except:            pass
        f.seek(0, 2)
        position = f.tell()
        f.seek(position - 1, 0)  # 剔除最后一个逗号
        f.write(']')

json数据示例

{     "salary": "4K-6K",     "publisherName": "曾丽香",     "requirement": "城市：武汉经验：应届生学历：本科",     "responsibility": "1、2018届统招本科毕业，计算机相关专业；2、熟悉python开发；3、良好的沟通表达能力，学习能力强，积极上进；",     "publishTime": "发布于2018-06-11 12:15",     "companyName": "云智汇科技",     "position": "软件开发（python、0年经验）",     "publisherPosition": "HR主管刚刚在线",     "companySize": "未融资500-999人",     "companyType": "计算机软件"}

其它

1. div中存在<br/>标签，xpath无法获取div标签中所有的文本内容(如下图)：
   

   

• 解决办法：拿到html文本后，提前通过正则表达式剔除该标签

• 核心代码如下：

# 正则表达式：去掉标签中的<br/> 和 <em></em>标签，便于使用xpath解析提取文本regx_obj = re.compile(r'<br/>|<(em).*?>.*?</\1>')
response = requests.get(url=url_path, params=param, headers=headers)
response = regx_obj.sub('', response.text)

2.当爬取速度过快时，会被封ip，这里将多线程改为单线程版，并使用time.sleep降低爬取速度
3.程序github地址：https://github.com/White2017/python-spider/blob/develop/boss_wuhan_spider.py

喜欢点个赞！！！

作者：white_study
链接：https://www.jianshu.com/p/d293fe5ba56f