爬虫demo：52nlp上的招聘求职数据

Created on 2020-02-10

@author 假如我年华正好

目的：爬取 我爱自然语言 网站上的 招聘求职数据

环境：Python 3

爬虫的两大步骤：

1. 发送请求（request），获取数据（response）

   向网址所在的服务器发送请求，即HTPP Request，服务器正常响应后会得到一个Response，其内容便是所要获取的页面内容。

   使用工具：requests 模块

2. 解析网页内容

   使用工具：BeautifulSoup 模块 —— HTML/XML解析器

   • Beautiful Soup 主页
   • Beautiful Soup 4.4.0 文档

分析目标网页

本文欲爬取 我爱自然语言 网站上的 招聘求职数据，主要有两个页面：第一为职位的列表页；第二为职位的详情页。示例如下：

在网页上，单击右键 —> 查看网页源代码，可以看到网页的html源码，我们通过 request 得到的内容就是这个。

而Beautiful Soup 可以将我的得到的复杂HTML文档，转换成一个复杂的树形结构，树每个节点都是Python对象。所有对象可以归纳为4种：Tag , NavigableString , BeautifulSoup ,Comment 。

下面对两个页面的源码进行分析：

（1）页面1：职位的列表页

先找到我们需要的内容所在部分，即职位列表的源码部分；

以其中一行为例，分析源码的结构：

分析发现：

• 职位列表的行的 tag 的名字为div，其 class 有两种：class="row" 和 calss="row-alt" ；
• 职位类型（全职or实习）如何获取：div —> span —> img[“alt”] （div tag 下的 span tag 下的 img tag 的 alt 属性值）
• 职位详情页链接如何获取：div —> span —> a[“href”]
• 职位发布公司如何获取：
• 工作地点如何获取：
• 发布时间如何获取：div —> span.get_text()

下面用代码演示如何获取其中的内容：

import requests
from bs4 import BeautifulSoup


# 第一步：发送请求获取，获取数据
url = 'http://www.nlpjob.com/jobs'
resp = requests.get(url) # 发送请求
text = resp.content.decode("utf-8")  # 解码
soup = BeautifulSoup(text, "html5lib")  # 实例化成 BeautifulSoup 对象

# 第二步：解析内容
# 获取所有行的 tag，返回为 bs 对象组成的列表 （对属性的限制方式有以下两种）
content = soup.find_all('div', class_="row-alt") 
content += soup.find_all('div', attrs={
    
    'class': "row"})
# 以其中一行为例：
cont = content[0]
row_info = cont.find_all('span', class_="row-info")[0]
# 职位类型
job_type = cont.find_all('img')[0]['alt']
print(job_type)
# 详情链接
href = row_info.find_all('a')[0]['href']
print(href)
# 内容标题/摘要
title = row_info.find_all('a')[0].get_text() #.get_text() = .strings
print(title)
# 公司&工作地点
la = row_info.get_text()
print(la)
# 发布时间
time_posted = cont.find_all('span', class_="time-posted")[0].get_text()
print(time_posted)

Out[9]:全职
http://www.nlpjob.com/job/61399/%e5%9b%be%e6%a3%ae%e6%9c%aa%e6%9d%a5%e7%a7%91%e6%8a%80%e6%9c%89%e9%99%90%e5%85%ac%e5%8f%b8-at-%e5%9b%be%e6%a3%ae%e6%9c%aa%e6%9d%a5%e7%a7%91%e6%8a%80%e6%9c%89%e9%99%90%e5%85%ac%e5%8f%b8/
图森未来科技有限公司

                        
                        图森未来科技有限公司 at 图森未来科技有限公司, 不限地址          
 2020-02-07

注意：列表页的翻页问题

发现不同页只是url最后面的 ?p= 不一样，所以本文采取：写个循环，直接按规律修改 url ，循环爬取不同页。

（2）页面2：职位的详情页

详情页内容比较单纯，只需爬取职位描述：

演示代码如下：

detail_url = "http://www.nlpjob.com/job/61376/"
resp = requests.get(detail_url)
text = resp.content.decode("utf-8")
soup = BeautifulSoup(text, "html5lib")
job_description = soup.find('div', id='job-description')
job_description.get_text().replace('\t', '')

完整代码

以下为 demo 的完整代码，其中对html源码的解析的大逻辑前文已经介绍，部分细节不再详述。

本文只爬取了2019年以后的职位信息（1-28页），，

每一页耗时约1分钟，，

如下：

#!/usr/bin/python
# -*- coding: UTF-8 -*-

import pandas as pd
import re
import requests
from bs4 import BeautifulSoup
import time


def mul_delimiters_split(text, *dels):
    '''多个分隔符对字符串进行分割，并且分隔符可以是长短不一的'''
    delimiters = dels
    regexPattern = '|'.join(map(re.escape, delimiters)) # 'a|\\.\\.\\.|\\(C\\)'
    return re.split(regexPattern, text)


def parse_url_list(url):
    '''
    爬取并解析职位列表页面数据
    '''
    resp = requests.get(url)
    text = resp.content.decode("utf-8")
    soup = BeautifulSoup(text, "html5lib")
    
    data = []
        
    content = soup.find_all('div', class_="row-alt")
    content += soup.find_all('div', attrs={
    
    'class': "row"})
    for cont in content:
        # 发布时间
        time_posted = cont.find_all('span', class_="time-posted")[0].get_text()
        time_posted = time_posted.replace(' ', '', )
        
        row_info = cont.find_all('span', class_="row-info")[0]
        # 职位类型
        job_type = row_info.find_all('img')[0]['alt']
        # 详情链接
        href = row_info.find_all('a')[0]['href']
        # 内容标题/摘要
        title = row_info.find_all('a')[0].get_text() #.get_text() = .strings
        # 公司&工作地点
        la = mul_delimiters_split(row_info.get_text(), ' at ', ' in ', ', ')[1:]
        
        # 储存结果
        result = {
    
    'time_posted': time_posted,
                  'job_type': job_type,
                  'href': href,
                  'job_description': parse_url_detail(href),
                  'title': title,
                  'company': la[0],
                  'location': la[1].replace('\t', '')
                }
        data.append(result)
        
    return pd.DataFrame(data)


def parse_url_detail(detail_url):
    '''
    爬取并解析职位详情页数据
    '''
    resp = requests.get(detail_url)
    text = resp.content.decode("utf-8")
    soup = BeautifulSoup(text, "html5lib")
    
    job_description = soup.find('div', id='job-description')
    return job_description.get_text().replace('\t', '')


def main():
    urls = ["http://www.nlpjob.com/jobs/?p=" + str(i) for i in range(1, 28)]
    
    data = pd.DataFrame()
    for url in urls:
        s = time.time()
        print('正在爬取' + url + ' ...') 
        temp = parse_url_list(url)
        data = data.append(temp)
        print('完成！耗时 %s' %(time.time() - s))
           
    # 保存
    data.to_csv('../data/jobs.csv')    
    return data


if __name__ == '__main__':
    data = main()

最后的结果示例：

-------完--------