码迷,mamicode.com
首页 > 编程语言 > 详细

Python爬虫(十五)_案例:使用bs4的爬虫

时间:2018-12-18 02:21:23      阅读:219      评论:0      收藏:0      [点我收藏+]

标签:css   title   function   keyword   分享图片   名称   res   ngx   .com   

本章将从Python案例讲起:所使用bs4做一个简单的爬虫案例,更多内容请参考:Python学习指南

案例:使用BeautifulSoup的爬虫

我们已腾讯社招页面来做演示:http://hr.tencent.com/position.php?&start=10#a

技术分享图片

使用BeautifulSoup4解析器,将招聘网页上的职位名称、职位类别、招聘人数、工作地点、时间、以及每个职位详情的点击链接存储出来。

#-*- coding:utf-8 -*-

from bs4 import BeautifulSoup

import urllib2
import urllib
import json   #使用json格式存储

def tencent():
    url = "http://hr.tencent.com/"

    request = urllib2.Request(url+"position.php?&start=10#a")
    response = urllib2.urlopen(request)

    resHtml = response.read()

    output = open(‘tencent.json‘, ‘w‘)

    html = BeautifulSoup(resHtml, ‘lxml‘)


    #创建CSS选择器
    result = html.select(‘tr[class="even"]‘)
    result2 = html.select(‘tr[class="odd"]‘)
    result += result2

    print(result)
    items = []
    for site in result:
        item = {}

        name = site.select(‘td a‘)[0].get_text()
        dataLink = site.select(‘td a‘)[0].attrs[‘href‘]
        catalog = site.select(‘td‘)[1].get_text()
        recruitNumber = site.select(‘td‘)[2].get_text()
        workLocation = site.select(‘td‘)[3].get_text()
        publishTime = site.select(‘td‘)[4].get_text()

        item[‘name‘] = name
        item[‘datailLink‘] = url + dataLink
        item[‘catalog‘] = catalog
        item[‘recruitNumber‘] = recruitNumber
        item[‘publishTime‘] = publishTime

        items.append(item)
    #禁用ascii编码,按utf-8编码
    line = json.dumps(items, ensure_ascii = False)

    output.write(line.encode(‘utf-8‘))

    output.close()


if __name__ == ‘__main__‘:
    tencent()

Python爬虫(十五)_案例:使用bs4的爬虫

标签:css   title   function   keyword   分享图片   名称   res   ngx   .com   

原文地址:https://www.cnblogs.com/moying-wq/p/10134579.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!