爬虫案例：拉勾网工作职位爬取
Python与算法社区
共 6075字，需浏览 13分钟
·
2022-06-24 18:46
本人非IT专业，因为对python爬虫比较感兴趣，因此正在自学python爬虫，学习后就拿拉勾网练练手🤭，同时给zhenguo老师投稿，还能收获50元。
本次我们的目标是爬取拉勾网上成都的python岗位信息，包括职位名称、地区、薪水、任职要求、工作内容标签、公司名称、公司的类别及规模和福利待遇等信息，并将这些信息保存在一个CSV文件当中，废话不多说，开干！
首先我们进入拉勾网，输入Python关键信息，并选择成都，首先分析一下当前的url，url当中的pn=为页码，因此我们想爬取第几页的信息，就将pn的值设置为第几页。
'https://www.lagou.com/wn/jobs?pn=2&fromSearch=true&kd=python&city=%E6%88%90%E9%83%BD'
'https://www.lagou.com/wn/jobs?pn=1&fromSearch=true&kd=python&city=%E6%88%90%E9%83%BD'
想要爬取所有页面，只需要设置一个循环，每个循环中调用爬取工作信息的函数即可，代码如下：
if __name__ == '__main__':
# 爬取1-30页的内容
for page in range(1, 31):
url = f'https://www.lagou.com/wn/jobs?pn={page}&fromSearch=true&kd=python&city=%E6%88%90%E9%83%BD'
# 该函数的功能为爬取一页信息内容并写入到CSV文件内
get_info_job(url)
# 为了保证爬取速度过快导致IP被封，设置一下等待时间，爬取下一页的时候等待2秒
sleep(2)
接下来就是定义爬取每一页工作信息内容并写入到CSV文件内保存的函数，该函数的实现方式如下：def get_info_job(job_url):
response = requests.get(url=job_url, headers=headers).text
selector = html.etree.HTML(response)
lis = selector.xpath('//*[@id="jobList"]/div[1]/div')
for li in lis:
name_area = li.xpath('.//div[1]/div[1]/div[1]/a/text()')
# 获取职位名称
title = name_area[0]
# 获取地区
area = name_area[1].replace('[', '').replace(']', '')
# 获取薪水
salary = li.xpath('.//div[1]/div[1]/div[2]/span/text()')[0]
# 获取经验和学历要求，有时候没有要求时，xpath匹配结果是一个空列表，程序会报错，因此这里需要捕获异常，一旦捕获异常，代表该工作无要求
try:
exp_degree = li.xpath('.//div[1]/div[1]/div[2]/text()')[0]
except IndexError:
exp_degree = '无要求'
# 获取工作标签，有时候没有工作标签，没有的话就用“/”代替
tags = li.xpath('.//div[2]/div[1]/span/text()')
if not tags:
tags = '/'
# 获取公司名称
company_name = li.xpath('.//div[1]/div[2]/div[1]/a/text()')[0]
# 获取公司类别和规模，有些公司没有这些信息，xpath匹配结果是一个空列表，程序会报错，因此捕获异常，一旦捕获到异常，代表没有公司类别和规模信心，用“/”代替
try:
company_Type_Size = li.xpath('.//div[1]/div[2]/div[2]/text()')[0]
except IndexError:
company_Type_Size = '/'
# 获取福利待遇，同样有些公司不公布福利待遇，xpath匹配结果也是一个空列表，程序会报错，因此需捕获异常，一旦捕获到异常，代表公司没有公布福利待遇等信息，用“/”替代
try:
benefits = li.xpath('.//div[2]/div[2]/text()')[-1].replace('“', '').replace('”', '')
except IndexError:
benefits = '/'
job_datas = {
'职位名称': title,
'地区': area,
'薪水': salary,
'经验和学历要求': exp_degree,
'工作标签': tags,
'公司名称': company_name,
'公司类别和规模': company_Type_Size,
'福利待遇': benefits
}
# print(job_datas)
writer.writerow([
title,
area,
salary,
exp_degree,
tags,
company_name,
company_Type_Size,
benefits
])
这里具体的爬取和保存的函数就定义完毕了，每次循环的时候直接调用该函数就行了，并且该程序能够适配所有地区和所有工作岗位的信息爬取，只需要更换具体的url就行了。该程序爬取成都岗位的信息效果图如下：
我们可以看到，我们爬取的信息有职位名称、地区、薪水、经验和学历要求、工作标签、公司名称、公司类别和规模、福利待遇等信息。
完整源码下载，请关注我的公众号，后台回复：拉勾
评论