爬虫实战(二) 51job移动端数据采集

时间：2018-12-17 02:49:41 阅读：279 评论：0 收藏：0 [点我收藏+]

标签：3.4 手机浏览器 csv rip col stc 爬取因此 art

在上一篇51job职位信息的爬取中，对岗位信息div下各式各样杂乱的标签，简单的Xpath效果不佳，加上string()函数后，也不尽如人意。因此这次我们跳过桌面web端，选择移动端进行爬取。

一、代码结构

按照下图所示的爬虫基本框架结构，我将此份代码分为四个模块——URL管理、HTML下载、HTML解析以及数据存储。

技术分享图片

二、URL管理模块

这个模块负责搜索框关键词与对应页面URL的生成，以及搜索结果不同页数的管理。首先观察某字段(大数据， UTF-8为‘E5A4A7 E695B0 E68DAE‘) 全国范围内的结果，前三页结果的URL如下:

URL前半部分：

技术分享图片

这部分中我们可以看到两处处不同，第一处为编码后‘2,?.html‘中间的数字，这是页数。另一处为参数stype的值，除第一页为空之外，其余都为1。另外，URL中有一连串的数字，这些是搜索条件，如地区、行业等，在这儿我没有用上。后面的一连串字符则为搜索关键词的字符编码。值得注意的是，有些符号在URL中是不能直接传输的，如果需要传输的话，就需要对它们进行编码。编码的格式为‘%‘加上该字符的ASCII码。因此在该URL中，%25即为符号‘%‘。

URL后半部分：

技术分享图片

后半部分很明显的就能出首页与后面页面的URL参数相差很大，非首页的URL后半部分相同。

因此我们需要对某关键字的搜索结果页面分两次处理，第一次处理首页，第二次可使用循环处理后续的页面。

if __name__ == ‘__main__‘:
key = ‘数据开发‘
# 第一页
url = ‘https://search.51job.com/list/000000,000000,0000,00,9,99,‘+key+‘,2,1.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=‘
getUrl(url)
# 后页[2,100)
urls = [‘https://search.51job.com/list/000000,000000,0000,00,9,99,‘+key+‘,2,{}.html?lang=c&stype=1&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=‘.format(i) for i in range(2,30)]
for url in urls:
getUrl(url)

三、HTML下载模块

下载HTMl页面分为两个部分，其一为下载搜索结果某一页的HTML页面，另一部分为下载某一岗位具体页面。由于页面中具体岗位URL需要从搜索结果页面中获取，所以将下载搜索结果页面及获取具体岗位URL放入一个函数中，在提取到具体岗位URL后，将其传入至另一函数中。

3.1搜索结果页面下载与解析

下载页面使用的是requests库的get()方法，得到页面文本后，通过lxml库的etree将其解析为树状结构，再通过Xpath提取我们想要的信息。在搜索结果页面中，我们需要的是具体岗位的URL，打开开发者选项，找到岗位名称。

技术分享图片

我们需要的是<a>标签里的href属性。右键，复制——Xpath，得到该属性的路径。

//*[@id="resultList"]/div/p/span/a/@href

由于xpath返回值为一个列表，所以通过一个循环，将列表内URL依次传入下一函数。

def getUrl(url):
print(‘New page‘)
res = requests.get(url)
res.encoding = ‘GBK‘
if res.status_code == requests.codes.ok:
selector = etree.HTML(res.text)
urls = selector.xpath(‘//*[@id="resultList"]/div/p/span/a/@href‘)
# //*[@id="resultList"]/div/p/span/a
for url in urls:
parseInfo(url)
time.sleep(random.randrange(1, 4))

3.2具体岗位信息页面下载

该函数接收一个具体岗位信息的参数。由于我们需要对移动端网页进行处理，所以在发送请求时需要进行一定的伪装。通过设置headers，使用手机浏览器的用户代理，再调用get()方法。

def parseInfo(url):
headers = {
‘User-Agent‘: ‘Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/ADR-1301071546) Presto/2.11.355 Version/12.10‘
}
res = requests.get(url, headers=headers)

四、HTML解析模块

在3.2中，我们已经得到了岗位信息的移动端网页源码，因此再将其转为etree树结构，调用Xpath即可得到我们想要的信息。

需要注意的是页面里岗位职责div里，所有相关信息都在一个<article>标签下，而不同页面的<article>下层标签并不相同，所以需要将该标签下所有文字都取出，此处用上了string()函数。

技术分享图片

selector = etree.HTML(res.text)
title = selector.xpath(‘//*[@id="pageContent"]/div[1]/div[1]/p/text()‘)
salary = selector.xpath(‘//*[@id="pageContent"]/div[1]/p/text()‘)
company = selector.xpath(‘//*[@id="pageContent"]/div[2]/a[1]/p/text()‘)
companyinfo = selector.xpath(‘//*[@id="pageContent"]/div[2]/a[1]/div/text()‘)
companyplace = selector.xpath(‘//*[@id="pageContent"]/div[2]/a[2]/span/text()‘)
place = selector.xpath(‘//*[@id="pageContent"]/div[1]/div[1]/em/text()‘)
exp = selector.xpath(‘//*[@id="pageContent"]/div[1]/div[2]/span[2]/text()‘)
edu = selector.xpath(‘//*[@id="pageContent"]/div[1]/div[2]/span[3]/text()‘)
num = selector.xpath(‘//*[@id="pageContent"]/div[1]/div[2]/span[1]/text()‘)
time = selector.xpath(‘//*[@id="pageContent"]/div[1]/div[1]/span/text()‘)
info = selector.xpath(‘string(//*[@id="pageContent"]/div[3]/div[2]/article)‘)
info = str(info).strip()

五、数据存储模块

首先创建.csv文件，将不同列名称写入首行。

fp = open(‘51job.csv‘,‘wt‘,newline=‘‘,encoding=‘GBK‘,errors=‘ignore‘)
writer = csv.writer(fp)
writer.writerow((‘职位‘,‘薪资‘,‘公司‘,‘公司信息‘,‘公司地址‘,‘地区‘,‘工作经验‘,‘学历‘,‘人数‘,‘时间‘,‘岗位信息‘))

再在解析某一页面数据后，将数据按行写入.csv文件。

writer.writerow((title,salary,company,companyinfo,companyplace,place,exp,edu,num,time,info))

源码：爬取51job移动端源码(12月)