用Python写一个小爬虫吧！
学习了一段时间的web前端，感觉有点看不清前进的方向，于是就写了一个小爬虫，爬了51job上前端相关的岗位，看看招聘方对技术方面的需求，再有针对性的学习。
我在此之前接触过Python，也写过一些小脚本，于是决定用Python来完成这个小项目。
首先说说一个爬虫的组成部分：
1.目标连接，就是我需要爬取信息的网页的链接；
2.目标信息，就是网页上我需要抓取的信息；
3.信息梳理，就是对爬取的信息进行整理。
下面我来说说整个爬虫的设计思路：
总体思路：以“前端”关键字进行搜索，把搜索结果上面每一个招聘信息的链接爬取下来，再通过这些招聘职位的链接去抓取相应页面上的具体要求。
1.先在51job上以“前端”为关键字进行搜索，从搜索结果来看，跟我的目标职位相似度还是很高的，所以用“前端”作为关键字是没问题的。
2.获取搜索结果的链接，通过比较1,2两页的链接，发现只有一个数字的差别，所以我可以直接更改这个数字来获取每一页的链接
3.在搜索结果页面按F12可以看到网页结构，按下左上角的鼠标按钮，再去点网页上的元素，网页结构会自动展现相应的标签
4.按下左上角的鼠标按钮，再去点招聘信息的岗位链接，可以在网页结构中看到，我们需要的每一个岗位的具体链接是放在一个a标签里面的
5.再点进这个职位的详情页面，按F12查看网页结构，再按左上角鼠标按钮，之后点击网页上的职位信息，我发现职位信息都是放在一个div标签里面，这个div有一个样式类属性class=”bmsg job_msg inbox”，具体的信息是放在这个div下的p标签中，我查看了其他几个招聘页面，也是相同的结构
所以我的爬虫要先爬取搜索结果页面中的职位链接，再进到相应的链接爬取div标签下p标签的内容，最后对这些内容做一个词频分析。
为了简化这个小项目的结构，我决定把这3个任务分成3个小脚本来执行。
首先是爬取搜索结果页面中的职位链接。代码如下
1 #爬取职位链接这一步用到了3个库 2 import requests 3 from bs4 import BeautifulSoup 4 import chardet 5 6 f = open(\'info.txt\', \'a\') # f是我存储爬取信息的文本文件，使用追加模式，就是说后面写入的信息会放在已有的信息后面，这样就不会把之前的信息覆盖掉 7 url = \'https://search.51job.com/list/020000,000000,0000,00,9,99,%25E5%2589%258D%25E7%25AB%25AF,2,{}.html?\' \ 8 \'lang=c&stype=1&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&\' \ 9 \'lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=4&dibiaoid=0&address=&line=&\' \ 10 \'specialarea=00&from=&welfare=#top\' # url里面关乎页面跳转的数字我用{}占位，后面可以通过format函数动态替换 11 header = { 12 \'User-Agent\': \'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 \' 13 \'Safari/537.36\', 14 \'Connection\': \'keep-alive\', 15 }# header是为了把爬虫伪装的像是正常的访问。 16 17 #for循环结构，循环10次，也就是说爬取10页上面的职位链接 18 for i in range(11): 19 # 用requests库的get方法与服务器进行链接，返回一个requests.models.Response的类 20 pageConnect = requests.get(url.format(i), headers=header) 21 #用chardet库的detect方法获取网页编码格式，返回的是dict字典，具体的编码格式在encoding这个键对应的值中 22 pageConnect.encoding = chardet.detect(pageConnect.content)[\'encoding\'] 23 #设置好编码格式后，用text方法把Response这个类转化为字符串供beautifulSoup处理 24 page = pageConnect.text 25 #使用BeautifulSoup函数把page字符串转化为一个BeautifulSoup对象，lxml是解析器的类型 26 soup = BeautifulSoup(page, \'lxml\') 27 #使用BeautifulSoup对象的select方法，可以用css选择器把存放有职位链接的a标签选出来 28 #每一个a标签都是放在class=el的div标签下class=t1的p标签下 29 aLabel = soup.select(\'div.el > p.t1 a\') 30 #每一个搜索结果页有50个职位，也就有50个a标签，通过for循环，获取每个a标签的title属性，href属性 31 #title属性存放了职位名称，我可以通过职位名称把不是我需要的职位链接筛选出去 32 #href属性存放了每一个职位的链接 33 for each in aLabel: 34 #把这些信息存放到f也就是info.txt这个文本中 35 print(each[\'title\'], each[\'href\']， file=f)
接着要做的就是爬取每一个链接页面上的职位要求了
代码如下
1 import requests 2 from bs4 import BeautifulSoup 3 import chardet 4 5 #打开我存放链接的文本，使用readlines方法读取文本内容，返回的是一个list列表，每一行为列表中的一项 6 with open(\'info.txt\') as info: 7 link = info.readlines() 8 #打开一个文本文件，存放抓取到的职位要求，编码格式设为utf-8 9 job = open(\'job.txt\', \'a\', encoding=\'UTF-8\') 10 header = { 11 \'User-Agent\': \'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 \' 12 \'Safari/537.36\', 13 \'Connection\': \'keep-alive\', 14 } 15 16 for each in link: 17 #info.txt中存放的信息是职位名 + 链接：Web前端开发工程师 https://***** 18 #所以先对列表中的每一项，也就是说一个字符串调用find方法，搜索关键字http,返回的是一个整数，表示的是字符串中http开头h的索引值 19 index = each.find(\'http\') 20 #利用这个索引值，可以获取字符串中链接的部分 21 url = each[index:] 22 pageConnect = requests.get(url, headers=header) 23 pageConnect.encoding = chardet.detect(pageConnect.content)[\'encoding\'] 24 page = pageConnect.text 25 soup = BeautifulSoup(page, \'lxml\') 26 #所有的职位要求是放在一个div中，它的样式类为class=bmsg job_msg inbox,div中的p标签包含具体的信息，返回的是一个list列表 27 div = soup.select(\'div.bmsg.job_msg.inbox p\') 28 #经过测试发现，最后2个p标签存放着关键字，所以去掉 29 jobInfo = div[:-2] 30 for eachInfo in jobInfo: 31 #每个列表项存放着如<p>***</P>的bs4.element.Tag，要获取其中文字部分，要使用.string方法 32 print(eachInfo.string, file=job)
最后job.txt中存放着我抓取到的所有职位要求，但是我不可能一条一条的去看，所以借助jieba这个库进行分词
1 import jieba 2 3 with open(\'job.txt\', encoding=\'utf-8\') as job: 4 info = job.readlines() 5 for eachLine in info: 6 for eachWord in jieba.cut(eachLine): 7 print(eachWord)
为了节省时间，分词结果直接打印出来，然后复制到excel表中，使用数据透视表统计一下，最后整理结果如下
这是一个非常简陋的小项目，不过它也实现了我的目标。