项目实践《招聘网站数据爬取》-编程知识

文章目录

一、模块导入部分
二、预定义参数部分
三、函数定义部分：send_get(page)
四、函数定义部分：process_data(data)
五、函数定义部分：responsibility(job_url)
六、函数定义部分：while_data()
七、主程序执行部分：
八、完整版代码

这个Python脚本的主要目标是解析"yiqifu.baidu.com"上的招聘信息，提取方面包括城市、公司名称、学历要求、工作经验、岗位名、薪资待遇以及岗位职责等信息，然后保存在Excel文件中。下面分别从各个模块和函数分析：

一、模块导入部分

这个脚本使用了requests，json，time，pandas以及BeautifulSoup等模块。requests用于发送网络请求，json用于处理JSON类型数据，time用于添加休眠抗拒请求过度频繁被服务器封禁的风险，pandas用于处理和存储数据，BeautifulSoup用于解析HTML页面。

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

在这里插入图片描述

二、预定义参数部分

此部分定义了头部信息(headers)和请求网址(url)。头部信息用于构造符合服务器要求的http请求，避免因为缺乏必要的头部信息而导致请求被拒绝。请求网址是数据抓取的源头

headers = {'Accept':'application/json, text/plain, */*','Accept-Encoding':'gzip, deflate, br, zstd','Accept-Language':'zh-CN,zh;q=0.9','Connection':'keep-alive','Host':'yiqifu.baidu.com','Referer':'https://yiqifu.baidu.com/g/aqc/joblist?q=python','Sec-Ch-Ua':'"Chromium";v="122", "Not(A:Brand";v="24", "Google Chrome";v="122"','Sec-Ch-Ua-Mobile':'?0','Sec-Ch-Ua-Platform':'"Windows"','Sec-Fetch-Dest':'empty','Sec-Fetch-Mode':'cors','Sec-Fetch-Site':'same-origin','X-Requested-With':'XMLHttpRequest','Cookie':'BIDUPSID=FFE582BA7343E4BDE8F2B0969587933A; PSTM=1701944630; BAIDUID=FFE582BA7343E4BDDB41B7BF2E661BA5:FG=1; BDUSS=NrUG9jTlVkRFBXa3V0bW5pNjNFUGdHaTdnc21rdXpkZUpvTU9nbFpaaGpVZEJsSVFBQUFBJCQAAAAAAAAAAAEAAABJQjjR0-nA1mNhcmV5eQAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAGPEqGVjxKhlc0; BDUSS_BFESS=NrUG9jTlVkRFBXa3V0bW5pNjNFUGdHaTdnc21rdXpkZUpvTU9nbFpaaGpVZEJsSVFBQUFBJCQAAAAAAAAAAAEAAABJQjjR0-nA1mNhcmV5eQAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAGPEqGVjxKhlc0; MCITY=-75%3A; H_WISE_SIDS_BFESS=40045_40166_40202_39662_40210_40216_40222; H_WISE_SIDS=39662_40210_40216_40222_40271_40294_40291_40289_40286_40317_40079; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; H_PS_PSSID=39662_40210_40216_40222_40271_40294_40291_40289_40286_40317_40079_40364_40352_40301_40381_40366; BA_HECTOR=81ak8h048gak8ga1a485a1849i0vgo1iuja9s1t; ZFY=SJTaRNG4jPGf5XpXAboM31VLOh8ATplB5TW1u:Atu7Tk:C; BAIDUID_BFESS=FFE582BA7343E4BDDB41B7BF2E661BA5:FG=1; BDRCVFR[feWj1Vr5u3D]=I67x6TjHwwYf0; delPer=0; PSINO=7; clue_site=pc; clue_ext=%7B%22referer%22%3A%22www.baidu.com%22%2C%22ref_eqid%22%3A%22b9d3408400103e780000000665e9c22e%22%7D; log_guid=9c965543f29ee6e76083129d371aaa8a; log_first_time=1709818419524; Hm_lvt_37e1bd75d9c0b74f7b4a8ba07566c281=1709818420; Hm_lpvt_37e1bd75d9c0b74f7b4a8ba07566c281=1709818903; log_last_time=1709818910917','User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36'
}

三、函数定义部分：send_get(page)

这个方法是在抓取分页数据时使用。它从参数中获取要抓取的页数，然后构造请求url并发送GET请求，最后解析得到的JSON数据并返回’data’字段中的’list’元素(这个元素包含了职位的详细信息)。

# 请求地址
url = 'https://yiqifu.baidu.com/g/aqc/joblist/getDataAjax?'# 发送请求
def send_get(page):try:# 设置请求参数，其中q是查询关键字，page是页码，district是城市代码，salaryrange是薪资范围params = f'q=python&page={page}&district=510100&salaryrange='res = requests.get(url,headers=headers,params=params)# 将请求结果转为JSON格式res_loads = json.loads(res.text)# 通过对应的关键字获取请求数据res_list = res_loads['data']['list']# 返回请求结果列表return res_listexcept:# 如果请求失败，则返回一个空列表return []

四、函数定义部分：process_data(data)

这个方法用于处理从send_get方法获取的JSON数据。首先构造一个字典，然后从参数传入的职位数据中提取出所需的信息并放入字典中，同时还调用了responsibility()函数获取职位详细描述。函数最后将处理后的职位信息返回。
在这里插入图片描述


# 处理数据（pandas需要）
def process_data(data):# 创建一个字典用于存放数据job_data = {}# 提取和存放职位信息job_data['城市'] = data['city']job_data['公司名称'] = data['company']job_data['学历要求'] = data['edu']job_data['工作经验'] = data['exp']# 将<em>和</em>删除掉,替换招聘岗位名称中的HTML标签job_data['招聘岗位'] = data['jobName'].replace('<em>', '').replace('</em>', '')job_data['薪资待遇'] = data['salary']# 提取招聘详情的链接bid = data['bid']jobId = data['jobId']job_url = f'https://yiqifu.baidu.com/g/aqc/jobDetail?bid={bid}&jobId={jobId}&from=ps&fr=job_ald&rq=pos'# 获取岗位职责信息，并存放到字典中job_data['岗位职责'] = responsibility(job_url)print(f'正在获取{job_data}')# 返回职位信息字典return job_data

五、函数定义部分：responsibility(job_url)

这个方法基于BeautifulSoup模块，用于解析职位详情页中的职责信息。它首先发送请求获取职位详情页的内容，然后使用BeautifulSoup解析页面并进一步提取出职位职责信息。


# 获取岗位职责
def responsibility(job_url):detail_res = requests.get(job_url)res = requests.get(job_url,headers=headers)bs = BeautifulSoup(res.text,"html.parser")scripts = bs.find_all("script")text = ""for script in scripts:if "window.pageData" in script.text:text=script.textstart = text.find("window.pageData = ")+len("window.pageData = ")end = text.find(" || {}")job_des = text[start:end]data = json.loads(job_des)time.sleep(1)return data["desc"].replace("<br />","").replace("</p>","").replace("<p>","").replace("&nbsp;","")

六、函数定义部分：while_data()

这是主函数，用于执行脚本的主要任务。它定义一个空列表all_data来存放所有解析到的职位数据。然后循环调用send_get()和process_data()方法以获取和处理数据。处理完的数据被添加到all_data列表中。循环结束后，返回包含所有职位信息的all_data列表。


# 循环获取数据
def while_data():# 创建一个列表用于存放所有的职位信息all_data = []# 循环获取数据for i in range(1,3):data = send_get(i)time.sleep(1)# 如果有获取到数据则进行处理if data:for item in data:# 处理数据并添加到职位信息列表中job = process_data(item)all_data.append(job)# 返回包含所有职位信息的列表return all_data

七、主程序执行部分：

调用上述定义的函数进行请求、处理数据并使用Pandas将最后的结果存储为Excel文件。


total_data = while_data()
df = pd.DataFrame(total_data)
df.to_excel('job.xlsx',index=False)

八、完整版代码

整体上，这个脚本用于抓取网站的招聘信息，并进行相关的清洗和整理工作，最后将得到的数据保存为Excel文件，方便后续的分析和使用。

import requests
import json
import time
import pandas as pd
from bs4 import BeautifulSoup# 必须要完整的headers，否则会拒绝请求
headers = {'Accept':'application/json, text/plain, */*','Accept-Encoding':'gzip, deflate, br, zstd','Accept-Language':'zh-CN,zh;q=0.9','Connection':'keep-alive','Host':'yiqifu.baidu.com','Referer':'https://yiqifu.baidu.com/g/aqc/joblist?q=python','Sec-Ch-Ua':'"Chromium";v="122", "Not(A:Brand";v="24", "Google Chrome";v="122"','Sec-Ch-Ua-Mobile':'?0','Sec-Ch-Ua-Platform':'"Windows"','Sec-Fetch-Dest':'empty','Sec-Fetch-Mode':'cors','Sec-Fetch-Site':'same-origin','X-Requested-With':'XMLHttpRequest','Cookie':'BIDUPSID=FFE582BA7343E4BDE8F2B0969587933A; PSTM=1701944630; BAIDUID=FFE582BA7343E4BDDB41B7BF2E661BA5:FG=1; BDUSS=NrUG9jTlVkRFBXa3V0bW5pNjNFUGdHaTdnc21rdXpkZUpvTU9nbFpaaGpVZEJsSVFBQUFBJCQAAAAAAAAAAAEAAABJQjjR0-nA1mNhcmV5eQAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAGPEqGVjxKhlc0; BDUSS_BFESS=NrUG9jTlVkRFBXa3V0bW5pNjNFUGdHaTdnc21rdXpkZUpvTU9nbFpaaGpVZEJsSVFBQUFBJCQAAAAAAAAAAAEAAABJQjjR0-nA1mNhcmV5eQAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAGPEqGVjxKhlc0; MCITY=-75%3A; H_WISE_SIDS_BFESS=40045_40166_40202_39662_40210_40216_40222; H_WISE_SIDS=39662_40210_40216_40222_40271_40294_40291_40289_40286_40317_40079; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; H_PS_PSSID=39662_40210_40216_40222_40271_40294_40291_40289_40286_40317_40079_40364_40352_40301_40381_40366; BA_HECTOR=81ak8h048gak8ga1a485a1849i0vgo1iuja9s1t; ZFY=SJTaRNG4jPGf5XpXAboM31VLOh8ATplB5TW1u:Atu7Tk:C; BAIDUID_BFESS=FFE582BA7343E4BDDB41B7BF2E661BA5:FG=1; BDRCVFR[feWj1Vr5u3D]=I67x6TjHwwYf0; delPer=0; PSINO=7; clue_site=pc; clue_ext=%7B%22referer%22%3A%22www.baidu.com%22%2C%22ref_eqid%22%3A%22b9d3408400103e780000000665e9c22e%22%7D; log_guid=9c965543f29ee6e76083129d371aaa8a; log_first_time=1709818419524; Hm_lvt_37e1bd75d9c0b74f7b4a8ba07566c281=1709818420; Hm_lpvt_37e1bd75d9c0b74f7b4a8ba07566c281=1709818903; log_last_time=1709818910917','User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36'
}# 请求地址
url = 'https://yiqifu.baidu.com/g/aqc/joblist/getDataAjax?'# 发送请求
def send_get(page):try:# 设置请求参数，其中q是查询关键字，page是页码，district是城市代码，salaryrange是薪资范围params = f'q=python&page={page}&district=510100&salaryrange='res = requests.get(url,headers=headers,params=params)# 将请求结果转为JSON格式res_loads = json.loads(res.text)# 通过对应的关键字获取请求数据res_list = res_loads['data']['list']# 返回请求结果列表return res_listexcept:# 如果请求失败，则返回一个空列表return []# 处理数据（pandas需要）
def process_data(data):# 创建一个字典用于存放数据job_data = {}# 提取和存放职位信息job_data['城市'] = data['city']job_data['公司名称'] = data['company']job_data['学历要求'] = data['edu']job_data['工作经验'] = data['exp']# 将<em>和</em>删除掉,替换招聘岗位名称中的HTML标签job_data['招聘岗位'] = data['jobName'].replace('<em>', '').replace('</em>', '')job_data['薪资待遇'] = data['salary']# 提取招聘详情的链接bid = data['bid']jobId = data['jobId']job_url = f'https://yiqifu.baidu.com/g/aqc/jobDetail?bid={bid}&jobId={jobId}&from=ps&fr=job_ald&rq=pos'# 获取岗位职责信息，并存放到字典中job_data['岗位职责'] = responsibility(job_url)print(f'正在获取{job_data}')# 返回职位信息字典return job_data# 获取岗位职责
def responsibility(job_url):detail_res = requests.get(job_url)res = requests.get(job_url,headers=headers)bs = BeautifulSoup(res.text,"html.parser")scripts = bs.find_all("script")text = ""for script in scripts:if "window.pageData" in script.text:text=script.textstart = text.find("window.pageData = ")+len("window.pageData = ")end = text.find(" || {}")job_des = text[start:end]data = json.loads(job_des)time.sleep(1)return data["desc"].replace("<br />","").replace("</p>","").replace("<p>","").replace("&nbsp;","")# 循环获取数据
def while_data():# 创建一个列表用于存放所有的职位信息all_data = []# 循环获取数据for i in range(1,3):data = send_get(i)time.sleep(1)# 如果有获取到数据则进行处理if data:for item in data:# 处理数据并添加到职位信息列表中job = process_data(item)all_data.append(job)# 返回包含所有职位信息的列表return all_datatotal_data = while_data()
df = pd.DataFrame(total_data)
df.to_excel('job.xlsx',index=False)